leetcode-146 LRU缓存机制（Medium）

题目描述

运用你所掌握的数据结构，设计和实现一个 LRU (最近最少使用) 缓存机制。它应该支持以下操作： 获取数据 get 和 写入数据 put 。

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。

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（最久未获取/未更新），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？

示例:

LRUCache cache = new LRUCache( 2 /* 缓存容量 */ );

cache.put(1, 1);
cache.put(2, 2);
cache.get(1);       // 返回  1
cache.put(3, 3);    // 该操作会使得关键字 2 作废
cache.get(2);       // 返回 -1 (未找到)
cache.put(4, 4);    // 该操作会使得关键字 1 作废
cache.get(1);       // 返回 -1 (未找到)
cache.get(3);       // 返回  3
cache.get(4);       // 返回  4

给定代码

class LRUCache {
	public LRUCache(int capacity) {

	}

	public int get(int key) {

	}

	public void put(int key, int value) {

	}
}

/**
 * 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);
 */

思路

题目要求所有操作都是$O(1)$的复杂度。
这里不妨一个一个分析，键值对的get和put要达到$O(1)$的复杂度，那只有依赖HashMap了。

但是，单单使用HashMap无法维护最久未访问的节点，还需要其他的数据结构来辅助。

所以考虑一下，用数组行吗？哈希表的key保存键、value保存数组的下标，然后数组中保存值？
数组的头为最久未使用的，尾为最活跃的。

当有新值加入时，将新值放到数组末尾。获取值时，直接map.get(key)获取数组的下标，然后获取对应下标的值。这样的确可以实现put和get的$O(1)$复杂度。

但数组中间有节点被访问时，该节点要变为活跃状态，也就是要移到数组尾，这个操作会让其后的所有节点前移，复杂度达到$O(n)$了。所以数组在移动节点方面就力不从心了。

---

那么用链表行不行？总所周知，链表的节点移动是$O(1)$复杂度的。很容易能够将节点移到链表末尾。

当要将一个节点变活跃时，首先定位到这个节点，再才能将它放到末尾。
如果用数组，能通过数组的下标来定位到目标节点的位置。但是链表不支持随机访问，所以不能用下标了。

那如何将哈希表中的value区域保存链表中节点的位置？Java又没有C++的指针，那么只能定义一个节点类来封装数据了。哈希表记录这个节点的引用。就能达到直接访问的效果了。

class ListNode {
	int key;
	int value;
	ListNode next;
	ListNode previous;

	public ListNode(int key, int value)
	{
		this.key = key;
		this.value = value;
	}
}

题解一

利用Java自带的LinkedHashMap可以快速解决问题。
灵感来自LinkedHashMap在不同排序方式下的遍历。

class LRUCache {
    class MyCache<K, V> extends LinkedHashMap<K, V>
	{
        int capacity;

        public MyCache(int capacity)
        {
            super(capacity * 2, 0.75f, true);
            this.capacity = capacity;
        }

		@Override
		protected boolean removeEldestEntry(Map.Entry<K, V> eldest)
		{
			return size() > capacity;
		}
	}

    MyCache<Integer, Integer> cache;

    public LRUCache(int capacity) {
        this.cache = new MyCache<>(capacity);
    }
    
    public int get(int key) {
        return cache.getOrDefault(key, -1);
    }
    
    public void put(int key, int value) {
        cache.put(key, value);
    }
}

显然这不是面试官想看到的结果（竞赛当然这么搞）。

题解二

思路的实现版本。手动实现双向链表的各项操作。

• 当新节点put时，在链表末尾添加该节点，同时在哈希表中记录节点位置。
• 当节点被get时，将该节点从链表中删除，然后添加到链表末尾（变活跃）。
• 当节点数量满了，删除链表首部节点

所以要封装一个addLast方法和deleteNode方法，分别代表添加节点到末尾、在链表和哈希表中删除指定节点。

头、尾节点的设置存粹为了减少边界值的判断。让代码可读性提高。

class LRUCache {
    class ListNode {
		int key;
		int value;
		ListNode next;
		ListNode previous;

		public ListNode(int key, int value)
		{
			this.key = key;
			this.value = value;
		}
	}

	// 最大容量
	private int length;
	// 头节点，其值无实际意义
	private ListNode start = new ListNode(0, 0);
	// 尾节点，其值无实际意义
	private ListNode end = new ListNode(0, 0);
	private HashMap<Integer, ListNode> kv = new HashMap<>();

	public LRUCache(int capacity) {
		// 头尾绑定
		start.next = end;
		end.previous = start;
		// 设置最大容量
		length = capacity;
	}

	public int get(int key) {
		ListNode node = kv.get(key);
		if (node == null) {
			// 未获取到指定值
			return -1;
		} else {
			// 获取到了指定值
			// 将指定值节点从链表中删除、并添加到链表末尾
			deleteNode(node);
			addLast(node);
			return node.value;
		}
	}

	public void put(int key, int value) {
		// 如包含值，直接更新
		if (kv.containsKey(key)) {
			ListNode tmp = kv.get(key);
			tmp.value = value;
			// 将更新后的的节点从链表中删除、并添加到链表末尾
			deleteNode(tmp);
			addLast(tmp);
			return;
		}

		if (kv.size() >= length) {
			// 如果节点数量满了，删除最左的节点
			deleteNode(start.next);
		}
		addLast(new ListNode(key, value));
	}

	// 将值添加到链表尾部，维护其左右的节点指向
	private void addLast(ListNode node)
	{
		ListNode pre = end.previous;
		pre.next = node;
		node.previous = pre;
		end.previous = node;
		node.next = end;
		kv.put(node.key, node);
	}
	
	// 删除指定节点，维护其左右的节点指向。
	private void deleteNode(ListNode delete)
	{
		ListNode pre = delete.previous, nex = delete.next;
		pre.next = nex;
		nex.previous = pre;
		kv.remove(delete.key);
	}
}

两种题解的时间复杂度都为$O(1)$。

两种题解的空间复杂度都为$O(n)$。