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