146. LRU 缓存

1. LRU 缓存

https://leetcode.cn/problems/lru-cache/description/
在这里插入图片描述

2. 代码实现

在这里插入图片描述

class LRUCache {
    int capacity;
    HashMap<Integer,Node> table;
    LinkedList<Integer> queue;
    Node head,tail;
    int size=0;
    public LRUCache(int capacity) {
        this.capacity=capacity;
        this.table=new HashMap<>();
        this.queue=new LinkedList<>();
        this.head=new Node();
        this.tail=new Node();
        this.head.next=this.tail;
        this.tail.pre=this.head;
    }
    
    public int get(int key) {
        if(!table.containsKey(key)){
            return -1;
        }
        // 返回该节点对应值
        Node node=table.get(key);
        int val=node.val;
        // 删除该节点
        removeNode(node);
        // 将该节点插入到队列末尾
        addToTail(node);
        return val;
    }
    
    // 从队列中移除节点
    public void removeNode(Node node){
        size--;
        Node left=node.pre,right=node.next;
        left.next=right;
        right.pre=left;
    }

    // 将节点添加到队列末尾
    public void addToTail(Node node){
        size++;
        Node last=tail.pre;
        last.next=node;
        node.pre=last;
        node.next=tail;
        tail.pre=node;
    }

    public void put(int key, int value) {
        // 查看该值是否存在
        if(get(key)!=-1){
            // 更新
            table.get(key).val=value;
            return;
        }
        // 判断容量是否超过阈值
        Node node=new Node(key,value);
        table.put(key,node);
        // System.out.println(size+" "+capacity);
        if(size==capacity){
            // 如果超过则删除最近最少 使用的节点
            int k=head.next.key;
            removeNode(head.next);
            table.remove(k);
        }
        // 将新的节点插入到队列末尾
        addToTail(node);
        // printList(head);
    }

    void printList(Node node){
        Node temp=head.next;
        while(temp!=tail){
            System.out.print(temp.val+" ");
            temp=temp.next;
        }
        System.out.println();
    }

    class Node{
        int key;
        int val;
        Node pre;
        Node next;
        public Node(){
        }

        public Node(int key,int val){
            this.key=key;
            this.val=val;
        }
    }
}

/**
 * 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);
 */
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
解法1:使用有序字典(OrderedDict) 思路: 1. 使用一个有序字典来存储缓存的键值对,有序字典可以保持插入顺序。 2. 当插入一个新的键值对时,如果缓存已满,需要删除最久未使用的键值对,即删除有序字典的第一个元素。 3. 当访问一个已存在的键值对时,需要将该键值对移动到有序字典的末尾,表示最近使用过。 实现: 1. 初始化时,设定缓存容量,创建一个空的有序字典。 2. 获取指定键的值时,若键不存在则返回-1;若键存在则将该键值对的值返回,并将该键值对移动到有序字典的末尾。 3. 插入一个键值对时,若键已存在则更新该键值对的值,并将该键值对移动到有序字典的末尾;若键不存在,则插入该键值对,并将该键值对移动到有序字典的末尾。若插入后缓存超出容量,则删除有序字典的第一个元素。 代码实现如下: ```python from collections import OrderedDict class LRUCache: def __init__(self, capacity: int): self.capacity = capacity self.cache = OrderedDict() def get(self, key: int) -> int: if key in self.cache: self.cache.move_to_end(key) return self.cache[key] return -1 def put(self, key: int, value: int) -> None: if key in self.cache: del self.cache[key] self.cache[key] = value if len(self.cache) > self.capacity: self.cache.popitem(last=False) ``` 复杂度分析: - 时间复杂度:对于get和put操作,有序字典的删除和插入操作的时间复杂度都是O(1),因此 get和put操作的时间复杂度均为O(1)。 - 空间复杂度:使用了一个有序字典来存储键值对,因此空间复杂度为O(N),其中N为缓存的容量。 解法2:使用哈希表和双向链表 思路: 1. 使用一个哈希表来存储缓存的键值对,哈希表的键为缓存的键,值为双向链表中对应节点的指针。 2. 使用一个双向链表来存储缓存的键值对,链表的每个节点包括键、值和前后指针。 3. 当插入一个新的键值对时,如果缓存已满,需要删除最久未使用的键值对,即删除双向链表的头节点,同时从哈希表中删除该键。 4. 当访问一个已存在的键值对时,需要将该键值对对应的节点移动到双向链表的尾部,表示最近使用过。 实现: 1. 初始化时,设定缓存容量,创建一个空的哈希表和双向链表。 2. 获取指定键的值时,若键不存在则返回-1;若键存在则将该键值对的值返回,并将该键值对对应的节点移动到双向链表的尾部。 3. 插入一个键值对时,若键已存在则更新该键值对的值,并将该键值对对应的节点移动到双向链表的尾部;若键不存在,则插入该键值对对应的节点到双向链表的尾部,并在哈希表中添加该键值对。若插入后缓存超出容量,则删除双向链表的头节点,并从哈希表中删除对应键。 代码实现如下: ```python class DLinkedNode: def __init__(self, key=0, value=0): self.key = key self.value = value self.prev = None self.next = None class LRUCache: def __init__(self, capacity: int): self.capacity = capacity self.cache = dict() self.head = DLinkedNode() self.tail = DLinkedNode() self.head.next = self.tail self.tail.prev = self.head def get(self, key: int) -> int: if key in self.cache: node = self.cache[key] self.moveToTail(node) return node.value return -1 def put(self, key: int, value: int) -> None: if key in self.cache: node = self.cache[key] node.value = value self.moveToTail(node) else: if len(self.cache) >= self.capacity: self.removeLRU() node = DLinkedNode(key, value) self.cache[key] = node self.addToTail(node) def moveToTail(self, node: DLinkedNode) -> None: self.removeNode(node) self.addToTail(node) def removeNode(self, node: DLinkedNode) -> None: node.prev.next = node.next node.next.prev = node.prev def addToTail(self, node: DLinkedNode) -> None: node.prev = self.tail.prev node.next = self.tail self.tail.prev.next = node self.tail.prev = node def removeLRU(self) -> None: lruNode = self.head.next self.removeNode(lruNode) del self.cache[lruNode.key] ``` 复杂度分析: - 时间复杂度:对于get和put操作,哈希表的查找和删除操作的时间复杂度都是O(1),双向链表的插入和删除操作的时间复杂度也是O(1),因此 get和put操作的时间复杂度均为O(1)。 - 空间复杂度:哈希表和双向链表分别需要存储所有键值对和节点,因此空间复杂度为O(N),其中N为缓存的容量。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

NorthSmile

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值