0
点赞
收藏
分享

微信扫一扫

Java实现LRU缓存算法

JakietYu 2022-04-07 阅读 91

1.LRU简介

LRU(Least Recently Used)是一种常见的页面置换算法,在计算中,所有的文件操作都要放在内存中进行,然而计算机内存大小是固定的,所以我们不可能把所有的文件都加载到内存,因此我们需要制定一种策略对加入到内存中的文件进项选择。

LRU的设计原理就是,当数据在最近一段时间经常被访问,那么它在以后也会经常被访问。这就意味着,如果经常访问的数据,我们需要然其能够快速命中,而不常访问的数据,我们在容量超出限制内,要将其淘汰。

常见的页面置换算法有如下几种:

  • LRU 最近最久未使用
  • FIFO 先进先出置换算法 类似队列
  • OPT 最佳置换算法 (理想中存在的)
  • NRU Clock置换算法
  • LFU 最少使用置换算法
  • PBA 页面缓冲算法

2.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 getput 必须以 O(1) 的平均时间复杂度运行。

3.分析

数组 查询复杂度O(1),但是增删需要移动后面的全部元素,复杂度O(n)
链表 增删复杂度O(1),但是查询需要从头遍历链表,复杂度O(n)
综上,考虑使用 HashMap + 链表,我们还需要根据删除链表中的任一节点,将他移动到最前面,所以使用双向链表实现。

  • 双向链表按照被使用的顺序存储了这些键值对,靠近头部的键值对是最近使用的,而靠近尾部的键值对是最久未使用的。
  • 哈希表即为普通的哈希映射(HashMap),通过缓存数据的键映射到其在双向链表中的位置。

这样,在getput的时候,我们通过HashMap找到key对应的节点,将节点移动到链表的头部,从而在 O(1) 的时间内完成getput 操作。具体如下

  • 对于 get(key) 操作
    • 如果key存在,先通过map找到对应节点,将当前节点移动到列表的头部,然后返回value
    • 如果key不存在,就返回-1
  • 对于put(key, value) 操作
    • 如果key存在,先通过map找到对应节点,然后将节点移动到列表的头部,修改节点的value
    • 如果key不存在,使用key和value创建一个新的节点和map,将节点移动到列表的头部;如果map集合的大小超出容量,删除双向链表的最后一个节点,并删除map中的对应值。

4.代码实现

Java

/**
 * LRU 最近最少使用
 *
 * 1.获取数据 get(key)
 *   如果关键字 (key) 存在于缓存中,则获取关键字的值(总是正数),否则返回 -1。
 *
 * 2.写入数据 put(key, value)
 *   如果关键字已经存在,则变更其数据值;如果关键字不存在,则插入该组「关键字/值」。
 *   当缓存容量达到上限时,它应该在写入新数据之前删除最久未使用的数据值,从而为新的数据值留出空间。
 *
 * 你是否可以在 O(1) 时间复杂度内完成这两种操作?
 */
class LRUCache {
    class Node<K, V> {
        private K key;
        private V value;
        private Node<K, V> prev;
        private Node<K, V> next;
        public Node(K key, V value) {
            this.key = key;
            this.value = value;
            this.prev = null;
            this.next = null;
        }
    }

    int capacity;
    Map<Integer, Node<Integer, Integer>> map;
    Node<Integer, Integer> head;

    public LRUCache(int capacity) {
        this.capacity = capacity;
        map = new HashMap<>(capacity);

        head = new Node<Integer, Integer>(0, 0);
        head.prev = head;
        head.next = head;
    }

    public int get(int key) {
        // 如果不存在
        if(!map.containsKey(key)) {
            return -1;
        }

        // 找到对应节点,并将其移动到最前面
        Node<Integer, Integer> node = map.get(key);
        node.prev.next = node.next;
        node.next.prev = node.prev;
        insert(node);
        return node.value;
    }

    public void put(int key, int value) {
        /**
         * 如果key已存在
         * 1.删除原来的node
         * 2.变更node的value
         * 3.将变更后的node放到最前面
         */
        if(map.containsKey(key)) {
            Node<Integer, Integer> node = map.get(key);
            // 删除node
            node.prev.next = node.next;
            node.next.prev = node.prev;

            // 变更value并插入最前面
            node.value = value;
            insert(node);
            return;
        }

        /**
         * 如果key不存在
         * 1.将数据插入node放到最前面
         * 2.如果超出容量,就删除最久未使用的node(最后的node)
         */
        Node<Integer, Integer> node = new Node(key, value);
        map.put(key, node);
        insert(node);
        if(map.size() > capacity) {
            // 删除key
            int x = head.prev.key;
            map.remove(x);

            // 删除节点
            remove();
        }
    }

    // 头插法
    public void insert(Node node) {
        Node first = head.next;
        node.next = first;
        first.prev = node;

        head.next = node;
        node.prev = head;
    }

    // 删除最后一个节点
    public void remove() {
        Node last = head.prev;
        last.prev.next = last.next;
        last.next.prev = last.prev;
    }
}
举报

相关推荐

0 条评论