LRU是Least Recently Used的缩写,即最近最少使用,是一种常用的页面置换算法,选择最久未使用的页面予以淘汰。
简介
LRU是一种缓存淘汰策略,它认为最近使用的数据就是有用的,最久没使用的数据就是没用的,所以在当容量满了之后,会先淘汰掉最久没使用的数据,腾出空间来放新数据。
LeetCode的146题就要求我们设计这样一个类,要求我们在O(1)
时间复杂度内完成。
根据LRU的定义,我们总结出LRU的操作规则:
- 在使用数据(get/put)后,那么该数据就是最近使用的。
- 当容量满了之后,要删除掉最久没使用的数据。
根据上面的规则,我们设计的cache应该满足以下要求:
- 保证添加的数据有
时序
,即能够体现他们加入的时间顺序,来区分最近使用和最久未使用的 - 可以在cache中快速查询某个key是否存在,并获取对应的value
- 在需要删除时,可以在cache快速找到某个key,对其进行快速删除
- 每次访问某个key时,要将其提升为最近使用的,那么就需要改变其在cache里的存放位置,也就是说cache需要能在任意位置快速插入和删除
那么什么数据结构符合上述条件?哈希表支持快速查找,但其数据存放无顺序;链表存放数据有顺序,支持快速插入和删除,但其查找效率低。因此把他两结合起来,就有了LinkedHashMap
(哈希链表)。
LRU缓存的核心数据结构就是哈希链表,双向链表和哈希表的结合体。
我们使用双向链表来存放数据,以保持其加入顺序;通过哈希表来保存key到链表节点的映射,以支持快速查找和删除。
代码实现
那么如何区分数据是最近使用还是最久未使用的呢?我们每次在添加数据时可以把数据添加到链表尾部,每次在访问数据(get/put已有key)时把该数据移动到链表尾部。这样的话链表尾部节点就是最近使用的数据,链表头部就是最久没使用的,当容量满了之后,就删除链表的头部节点即可。
接下来我们就要实现自己的数据结构了,手写一个双向链表,使用内置的HashMap。
其实我们的双向链表只要满足上述操作要求即可,不需要太多的功能。那么需要哪几个操作呢?
- 添加数据到链表尾部(添加新数据时、提升数据为最近使用时)
- 对给定节点进行删除(提升数据为最近使用时需要移动节点)
- 移除头部节点(容量满了之后,要删除最久未使用的节点)
我们可以在链表里添加两个节点:head/tail节点,分别用来做链表头部和尾部,这两个是哑结点,这样在操作数据时会更加方便,在链表头部和尾部操作时不需要做特殊处理。
/**
* 双向链表节点
*/
class DLNode{
// 问:为什么要有key?
int key;
int val;
DLNode prev;
DLNode next;
public DLNode(){
}
public DLNode(int key,int val){
this.key=key;
this.val=val;
}
}
/**
* 双向链表
*/
class DoubleLink{
// 哑结点
DLNode head,tail;
public DoubleLink(){
head = new DLNode();
tail = new DLNode();
head.next=tail;
tail.prev=head;
}
// 在链表尾部插入节点
DLNode addLast(DLNode x){
x.prev = tail.prev;
x.next = tail;
tail.prev.next = x;
tail.prev = x;
return x;
}
// 移除链表里的节点,可以看到代码很简介,这也是为什么使用双向链表的原因
public DLNode