LeetCode146:LRU缓存

leetCode：146. LRU 缓存

题目描述

请你设计并实现一个满足 LRU (最近最少使用) 缓存 约束的数据结构。
实现 LRUCache 类：
LRUCache(int capacity) 以 正整数 作为容量 capacity 初始化 LRU 缓存
int get(int key) 如果关键字 key 存在于缓存中，则返回关键字的值，否则返回 -1 。
void put(int key, int value) 如果关键字 key 已经存在，则变更其数据值 value ；如果不存在，则向缓存中插入该组 key-value 。如果插入操作导致关键字数量超过 capacity ，则应该 逐出 最久未使用的关键字。
函数 get 和 put 必须以 O(1) 的平均时间复杂度运行。

示例：

输入
["LRUCache", "put", "put", "get", "put", "get", "put", "get", "get", "get"]
[[2], [1, 1], [2, 2], [1], [3, 3], [2], [4, 4], [1], [3], [4]]
输出
[null, null, null, 1, null, -1, null, -1, 3, 4]

解释
LRUCache lRUCache = new LRUCache(2);
lRUCache.put(1, 1); // 缓存是 {1=1}
lRUCache.put(2, 2); // 缓存是 {1=1, 2=2}
lRUCache.get(1);    // 返回 1
lRUCache.put(3, 3); // 该操作会使得关键字 2 作废，缓存是 {1=1, 3=3}
lRUCache.get(2);    // 返回 -1 (未找到)
lRUCache.put(4, 4); // 该操作会使得关键字 1 作废，缓存是 {4=4, 3=3}
lRUCache.get(1);    // 返回 -1 (未找到)
lRUCache.get(3);    // 返回 3
lRUCache.get(4);    // 返回 4
提示：

1 <= capacity <= 3000
0 <= key <= 10000
0 <= value <= 105
最多调用 2 * 105 次 get 和 put

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

题目解读

LRU 缓存淘汰算法就是一种常用策略。LRU 的全称是 Least Recently Used，也就是说我们认为最近使用过的数据应该是是「有用的」，很久都没用过的数据应该是无用的，内存满了就优先删那些很久没用过的数据。

题目实现

只使用HashMap实现

算法设计

要让 put 和 get 方法的时间复杂度为 O(1)，我们可以总结出 cache 这个数据结构必要的条件：

1、显然 cache 中的元素必须有时序，以区分最近使用的和久未使用的数据，当容量满了之后要删除最久未使用的那个元素腾位置。

2、我们要在 cache 中快速找某个 key 是否已存在并得到对应的 val；

3、每次访问 cache 中的某个 key，需要将这个元素变为最近使用的，也就是说 cache 要支持在任意位置快速插入和删除元素。

那么，什么数据结构同时符合上述条件呢？哈希表查找快，但是数据无固定顺序；链表有顺序之分，插入删除快，但是查找慢。所以结合一下，形成一种新的数据结构：哈希链表 LinkedHashMap。

LRU 缓存算法的核心数据结构就是哈希链表，双向链表和哈希表的结合体。这个数据结构长这样：

如果我们每次默认从链表尾部添加元素，那么显然越靠尾部的元素就是最近使用的，越靠头部的元素就是最久未使用的。

2、对于某一个 key，我们可以通过哈希表快速定位到链表中的节点，从而取得对应 val。

3、链表显然是支持在任意位置快速插入和删除的，改改指针就行。只不过传统的链表无法按照索引快速访问某一个位置的元素，而这里借助哈希表，可以通过 key 快速映射到任意一个链表节点，然后进行插入和删除。

代码实现

import java.util.*;

// LRUCache 类实现了一个基于 LRU 策略的缓存
public class LRUCache {
    // 缓存的最大容量
    private final int capacity;

    // 使用 HashMap 存储键值对，便于快速查找
    private final Map<Integer, Node> cacheMap;

    // 使用 LinkedList 作为双向链表，维护元素的访问顺序
    private final LinkedList<Node> lruList;

    // 构造函数，初始化缓存容量
    public LRUCache(int capacity) {
        this.capacity = capacity;
        this.cacheMap = new HashMap<>(capacity);
        this.lruList = new LinkedList<>();
    }

    // 根据键获取值，如果存在则更新访问顺序
    public int get(int key) {
        if (cacheMap.containsKey(key)) { // 如果键存在
            moveToHead(cacheMap.get(key)); // 移动节点到链表头部
            return cacheMap.get(key).val; // 返回值
        }
        return -1; // 键不存在，返回 -1
    }

    // 插入或更新键值对，如果超过容量则淘汰最不常用的项
    public void put(int key, int value) {
        if (cacheMap.containsKey(key)) { // 如果键已存在
            moveToHead(cacheMap.get(key)); // 移动节点到链表头部
            cacheMap.get(key).val = value; // 更新值
        } else { // 键不存在
            if (cacheMap.size() >= capacity) { // 如果缓存已满
                evict(); // 淘汰最不常用的项
            }
            Node newNode = new Node(key, value); // 创建新节点
            cacheMap.put(key, newNode); // 添加到缓存映射
            lruList.addFirst(newNode); // 添加到链表头部
        }
    }

    // 将指定节点移到链表头部
    private void moveToHead(Node node) {
        lruList.remove(node); // 从链表中移除节点
        lruList.addFirst(node); // 将节点添加到链表头部
    }

    // 淘汰最不常用的项
    private void evict() {
        Node nodeToRemove = lruList.pollLast(); // 获取链表尾部的节点
        cacheMap.remove(nodeToRemove.key); // 从缓存映射中移除节点
    }

    // 内部类 Node 表示链表中的一个节点，包含键、值以及指向前后节点的引用
    static class Node {
        int key;
        int val;
        Node next;
        Node prev;

        public Node(int key, int val) {
            this.key = key;
            this.val = val;
        }
    }
}

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70

使用LinkedHashMap实现

算法设计

LinkedHashMap内部已经使用了LinkedList

代码实现

import java.util.LinkedHashMap;

//leetcode submit region begin(Prohibit modification and deletion)
class LRUCache {
    LinkedHashMap<Integer, Integer> cache = new LinkedHashMap<>();
    int capacity;

    public LRUCache(int capacity) {
        this.capacity = capacity;
    }

    public int get(int key) {
        //不包含
        if (!cache.containsKey(key)) {
            return -1;
        }
        // 将 key 变为最近使用
        makeRecently(key);
        return cache.get(key);
    }

    public void put(int key, int value) {
        if (cache.containsKey(key)) {
            makeRecently(key);
        } else {
            if (cache.size() >= capacity) {
                //删除头结点
                cache.remove(cache.keySet().iterator().next());
            }
        }
        cache.put(key, value);
    }

    /**
     * 将 key 移动到队尾
     *
     * @param key
     */
    private void makeRecently(int key) {
        int val = cache.get(key);
        // 删除 key，重新插入到队尾
        cache.remove(key);
        cache.put(key, val);
    }

}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46

继承LinkedHashMap实现(最简洁)

算法设计

LinkedHashMap.afterNodeInsertion()

void afterNodeInsertion(boolean evict) { // possibly remove eldest
	LinkedHashMap.Entry<K,V> first;
	if (evict && (first = head) != null && removeEldestEntry(first)) {
		K key = first.key;
		removeNode(hash(key), key, null, false, true);
	}
}

1
2
3
4
5
6
7
8

afterNodeInsertion() 可能会删除老元素，但需要满足3个条件:

evict 为 true;
(first = head) != null，双向链表的头结点不能为 null，换句话说，双向链表中必须有老元素(没有老元素还删个锤锤);
removeEldestEntry(first) 方法返回为 true。

其中removeEldestEntry方法是『移除最老的元素』，默认为false，即不删除
因此，我们需要复写removeEldestEntry方法即可

代码实现

class LRUCache extends LinkedHashMap<Integer, Integer> {

    int capacity=0;
    public LRUCache(int capacity) {
        super(capacity, 0.75F, true);
        this.capacity=capacity;
    }

    public int get(int key) {
        return (int) super.getOrDefault(key, -1);

    }

    public void put(int key, int value) {
        super.put(key, value);
    }

    /**
     * 判断元素个数是否超过缓存容量
     */
    protected boolean removeEldestEntry(Map.Entry<Integer, Integer> eldest) {
        return size() > capacity;
    }
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

其他

算法用途

手机管家-后台程序管理

相关

现在你应该理解 LRU（Least Recently Used）策略了。当然还有其他缓存淘汰策略，比如不要按访问的时序来淘汰，而是按访问频率（LFU 策略）来淘汰等等，各有应用场景
详见： LeetCode 160 LFU