146. LRU缓存机制

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;

    }

}

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 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
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