手撕LRU

LRU简介

LRU是Least Recently Used的缩写，即最近最少使用，是一种常用的页面置换算法，选择最近最久未使用的页面予以淘汰。该算法赋予每个页面一个访问字段，用来记录一个页面自上次被访问以来所经历的时间 t，当须淘汰一个页面时，选择现有页面中其 t 值最大的，即最近最少使用的页面予以淘汰。

说通俗点就是假定有一个序列，然后给定一些参数：

• capacity（容量）

• size（当前数量）

• Cache

每当缓存中的数据被访问时，就把这个数据放到序列首部，其他数据位置不变，当新增数据时候也会放到首部。当size大于capacity时便会移除尾部数据。

实现思路

为了实现LRU算法最好使用下面这两种数据结构：

• 哈希表

• 双向链表

首先哈希表用于存储键和数据的映射，且哈希表查找速度快，时间复杂度仅为O(1)，而双向链表则是便于进行插入删除，也可以在时间复杂度为O(1)内完成。

注意这里使用了虚拟头尾结点

暂时无法在飞书文档外展示此内容

手撕！

146. LRU 缓存

已解答

中等

相关标签

相关企业

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 <= 10(5)

• 最多调用 2 * 10(5) 次 get 和 put

import java.util.HashMap;
import java.util.Map;

class LRUCache {

    //定义一个双向链表
    class DLinkedNode {
        int key;
        int val;
        DLinkedNode prev;
        DLinkedNode next;
        DLinkedNode () {}
        DLinkedNode (int _key, int _val) {
            this.key = _key;
            this.val = _val;
        }
    }
    //定义size和capacity
    private int size;
    private int capacity;
    //定义哈希表形式，存储数据
    private Map<Integer,DLinkedNode> cache = new HashMap<>();
    //定义虚拟首尾结点
    private DLinkedNode head;
    private DLinkedNode tail;



    //添加首结点
    private void addHeadNode(DLinkedNode node) {
        node.next = head.next;
        head.next.prev = node;
        node.prev = head;
        head.next = node;
    }


    //移除结点
    private void deleteNode(DLinkedNode node) {
        node.prev.next = node.next;
        node.next.prev = node.prev;
    }

    //将结点移动到首部
    private void moveNodeToHead(DLinkedNode node) {
        //删除这个结点，然后添加这个结点到头部
        addHeadNode(node);
        deleteNode(node);
    }

    //移除尾结点
    private int deleteTailNode() {
        int tailKey = tail.prev.val;
        deleteNode(tail.prev);
        return tailKey;
    }




    public LRUCache(int capacity) {
        //初始化
        this.size = 0;
        this.capacity = capacity;
        head = new DLinkedNode();
        tail = new DLinkedNode();
        head.next = tail;
        tail.prev = head;
    }

    public int get(int key) {
        DLinkedNode node = cache.get(key);
        if (node == null) {
            return -1;
        }
        return node.val;
    }

    public void put(int key, int value) {
        //如果关键字 key 已经存在，则变更其数据值 value
        DLinkedNode node = cache.get(key);
        if (node != null && node.val != value) {
            node.val = value;
        }  else if (node != null && node.val == value) {
            moveNodeToHead(node);
        }
        else if (node == null) {
            DLinkedNode newNode = new DLinkedNode(key,value);
            cache.put(key,newNode);
            addHeadNode(newNode);
            size++;


        }
        //如果size > capacity，删除尾结点
        if (size > capacity) {
            int tailKey = deleteTailNode();
            cache.remove(tailKey);
            size--;
            System.out.println(tailKey);
        }
    }
}

/**
 * Your LRUCache object will be instantiated and called as such:
 * LRUCache obj = new LRUCache(capacity);
 * int param_1 = obj.get(key);
 * obj.put(key,value);
 */

参考文章：

不该这么嚣张的，B站面试官水平真高，手写LRU算法失算了_哔哩哔哩_bilibili

146. LRU 缓存 - 力扣（LeetCode）