LRU缓存机制

LRU缓存机制

​ 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) - 如果密钥 (key) 存在于缓存中，则获取密钥的值（总是正数），否则返回 -1。
写入数据 put(key, value) - 如果密钥已经存在，则变更其数据值；如果密钥不存在，则插入该组「密钥/数据值」。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。

进阶：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);    // 该操作会使得密钥 2 作废
cache.get(2);       // 返回 -1 (未找到)
cache.put(4, 4);    // 该操作会使得密钥 1 作废
cache.get(1);       // 返回 -1 (未找到)
cache.get(3);       // 返回  3
cache.get(4);       // 返回  4

1：LRU缓存算法

LRU缓存算法就是一种缓存淘汰策略。LRU全称Least Recently Used。

计算机的缓存容量有限，如果缓存满了就要删除一些内容，给新内容腾位置。但问题是，删除哪些内容呢？我们肯定希望删掉哪些没什么用的缓存，而把有用的数据继续留在缓存里，方便之后继续使用。那么，什么样的数据，我们判定为「有用的」的数据呢？

1. 打开手机，后台多开几个应用，如下图

   [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-l6v2QRMK-1592736842267)(http://myblogoss.aimezhao.online/20200525214218.png)]

2. 切换到任务视图界面，你会发现几个，然后你点击设置，再次打开的情况下设置就到了第一个

   [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-P8ynqV0j-1592736842269)(http://myblogoss.aimezhao.online/20200525214304.png)]

   1. 此时，设置就最近使用的，而手机管家是最久未使用的，当缓存容量不够的时候，就要先把最久未使用的手机管家给淘汰掉。这就是LRU的淘汰策略。

2：LinkedHashmap

仅仅作为了解，请记住这是一个算法题。

class LRUCache extends LinkedHashMap<Integer, Integer>{
    private int capacity;
    
    public LRUCache(int capacity) {
        super(capacity, 0.75F, true);
        this.capacity = capacity;
    }

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

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

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

3：哈希表+队列

• 利用一个哈希表和一个队列维护所有的键值对。
  • 哈希表为普通的哈希映射(HashMap)，用来记录缓存数据的键和值。
  • 队列用来判断当前的缓存内是否存在密钥(key)，既然是队列，那么就是队尾插入，所以队头的是最久未使用的，队尾的是最近使用的
• 对于get操作，首先用队列判断密钥(key)是否存在
  1. key不存在，返回-1
  2. key存在，将队列中密钥为key的先删除，后加入（加入时密钥为key的数据在队列的队头）
• 对于put操作，首先判断密钥(key)是否存在
  1. key不存在，将次缓存数据的key和value加入到HashMap中。然后判断此时的缓存容量是否超容，超容的情况下，弹出map中key为队列中最后的那一个key
  2. key存在，更新队列中此key的位置到队头，更新HashMap中此key对应的value

class LRUCache{
    private int capacity; //缓存容量
    Queue<Integer> queue;
    Map<Integer, Integer> map;
    public LRUCache(int capacity) {
        this.map = new HashMap<>();
        this.queue = new LinkedList<>();
        this.capacity = capacity;
    }
    // get操作
    public int get(int key) {
        if(queue.contains(key)) {
            queue.remove(key);
            queue.add(key);
            return map.get(key);
        } else {
            return -1;
        }
    }
    
    public void put(int key, int value) {
        if(queue.contains(key)) {
            queue.remove(key);
            queue.add(key);
            map.put(key, value);
        } else if(capacity==0) {
            // 如果缓存容量为0，弹出最后队头元素
            map.remove(queue.poll());
            queue.add(key);
            map.put(key, value);
        } else {
            queue.add(key);
            map.put(key, value);
            capacity--;
        }
    }
}

4：哈希表+双向链表

这个方法才算是这个算法题真正想要考察的地方，手写LRU

• 利用一个哈希表和一个双向链表维护所有的键值对。
  • 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。
• get操作
  • 如果key不存在，返回-1
  • key存在，通过哈希表HashMap找到该缓存项在双向链表中的位置，然后移动到双向链表的头部，最后返回该节点的值
• put操作
  • 哈希表HashMap中不存在该key，将该key和value加入到哈希表中，并创建一个新节点添加到双向链表的头部
  • 哈希表中存在该key，更新该key对应的value，将此节点移动到双向链表头部
  • 特殊情况：判断双向链表的节点数是否超出容量，如果超出容量，则删除双向链表的尾部节点，并删除哈希表中对应的项。

public class LRUCache {
    class DLinkedNode {
        int key;
        int value;
        DLinkedNode prev;
        DLinkedNode next;
        public DLinkedNode() {}
        public DLinkedNode(int _key, int _value) {key = _key; value = _value;}
    }

    private Map<Integer, DLinkedNode> cache = new HashMap<Integer, DLinkedNode>();
    private int size;
    private int capacity;
    private DLinkedNode head, tail;

    public LRUCache(int capacity) {
        this.size = 0;
        this.capacity = capacity;
        // 使用伪头部和伪尾部节点
        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;
        }
        // 如果 key 存在，先通过哈希表定位，再移到头部
        moveToHead(node);
        return node.value;
    }

    public void put(int key, int value) {
        DLinkedNode node = cache.get(key);
        if (node == null) {
            // 如果 key 不存在，创建一个新的节点
            DLinkedNode newNode = new DLinkedNode(key, value);
            // 添加进哈希表
            cache.put(key, newNode);
            // 添加至双向链表的头部
            addToHead(newNode);
            ++size;
            if (size > capacity) {
                // 如果超出容量，删除双向链表的尾部节点
                DLinkedNode tail = removeTail();
                // 删除哈希表中对应的项
                cache.remove(tail.key);
                --size;
            }
        }
        else {
            // 如果 key 存在，先通过哈希表定位，再修改 value，并移到头部
            node.value = value;
            moveToHead(node);
        }
    }

    private void addToHead(DLinkedNode node) {
        node.prev = head;
        node.next = head.next;
        head.next.prev = node;
        head.next = node;
    }

    private void removeNode(DLinkedNode node) {
        node.prev.next = node.next;
        node.next.prev = node.prev;
    }

    private void moveToHead(DLinkedNode node) {
        removeNode(node);
        addToHead(node);
    }

    private DLinkedNode removeTail() {
        DLinkedNode res = tail.prev;
        removeNode(res);
        return res;
    }
}

时间复杂度：对于put和get都是O(1)，空间复杂度：O(capacity)