面试题 16.25. LRU 缓存

所谓LRU就是最近没被使用的，跟被使用的次数无关，只关注最近一次被使用的时间
最开始的想法：哈希表存数据，双向链表表示最近使用的顺序，得到代码

class LRUCache {
    Map<Integer,Integer> m;
    Deque<Integer> dq;
    int cap;
    public LRUCache(int capacity) {
        cap = capacity;
        m = new HashMap<>();
        dq = new LinkedList<>();
    }
    
    public int get(int key) {
        if(m.containsKey(key)){
            dq.remove(key);
            dq.addFirst(key);
            return m.get(key);
        }
        return -1;
    }
    
    public void put(int key, int value) {
        if(m.containsKey(key)){
            m.put(key,value);
            get(key);
        }
        else{
            if(m.size() == cap){
                m.remove(dq.getLast());
                dq.removeLast();    
            }
            m.put(key,value);
            dq.addFirst(key);
        }
    }
}

可以看到从双向链表中删除一个数据dq.remove(key); 需要o(n)的复杂度，这就导致整体很耗时
需要解决一个问题：如何快速找到每一个key对应在链表中的位置？
这也是本题的收获，一开始觉得通过下标去找的话，如果从中间删了一个，后面也都要改，同样要o(n)（list用多了的思维），但其实使用哈希表的话，使用value存储key对应的节点的引用，这样的话不管节点前后怎么变，该引用仍然指向该节点
官方题解

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;
    }
}