java 时间复杂度o 1,时间复杂度为O(1)的LRU算法

LRU,算法在操作缓存中常常被用到,由于其访问频繁,因此缩小LRU时间复杂度是非常必要的,好的LRU算法的实现能够很好的提高系统的稳定性

数据结构中map的访问速度非常快,时间复杂度为O(1),因此在缓存结构中,可以借助map结构,同时由于缓存需要容量满时需要删除操作,并且对于最近被访问的需要重新置于头部,在数据结构中链表能够很好的完成该操作,故缓存结构借助map加链表结构来降低时间复杂度,使得查询、删除、交换的时间复杂度都为O(1),

具体设计如下,map中存放key -value对,查找时可以通过key快速定位到value,

value存放的是node节点,所有的value,都是双向链表中一个node,删除时直接移除

尾部节点即可,为简化操作,链表自带头节点head和尾节点tail

package Inter.other;

/**

* 缓存通用实现接口接口

* Created by lin on 2018/9/19.

*/

public interface Cache{

V get(K key);

void set(K key, V value);

void clear();

}

package Inter.other;

/**

* 键值生成策略接口

* Created by lin on 2018/9/19.

*/

public interface KeyGenerationStrategy{

K generationKey(V value);

}

package Inter.other;

/**

* 链表节点的定义

* Created by lin on 2018/9/16.

*/

public class Node{

V value;

K key;//表示该节点的键;

Node next;

Node prev;

public Node(V value, K key) {

this.value = value;

this.key = key;

}

public Node(Node prev, Node next, V value) {

this.prev = prev;

this.next = next;

this.value = value;

}

public K getKey() {

return this.key;

}

@Override

public String toString() {

return "prev:" + prev.value + "当前节点" + this.value + "next:" + next.value;

}

}

package Inter.other;

/**

* 简单的键值生成

* Created by lin on 2018/9/19.

*/

public class SimpleKeyGenerationStrategyimplements KeyGenerationStrategy{

@Override

public K generationKey(V value) {

return (K) value.toString();

}

}

package Inter.other;

import java.util.HashMap;

import java.util.Map;

/**

* 缓存算法的具体实现

* Created by lin on 2018/9/16.

* 时间复杂度为O(1)的一个缓存

*/

public class LRUCacheimplements Cache{

// private KeyGenerationStrategykeyGenerationStrategy;

//默认容量大小

private static final int DEFAULT_CAPACITY = 8;

/* 缓存容量的大小 */

private int capacity;

/* 缓存已使用的容量 */

private int size;

/* 为了实现快速寻找,这里使用map,查找时间复杂度为O(1)*/

private Map> map = new HashMap<>();

/* 为了实现快速替换,这里使用链表,删除或者加入时间复杂度为O(1)*/

private Nodehead;

private Nodetail;

/**

* 初始化

*

* @param capacity

*/

public LRUCache(int capacity) {

// map = new HashMap<>();

if (capacity <= 0) {

capacity = DEFAULT_CAPACITY;

}

this.capacity = capacity;

this.head = new Node(null, null, null);

this.tail = new Node(head, null, null);

head.next = tail;

}

/**

* 从缓存中获取指定值,没有返回空

*

* @param

* @param * @return

*/

@Override

public V get(K key) {

Nodenode = (Node) map.get(key);

if (node == null) {

return null;

} else {

moveToFirst(node);

return node.value;

}

}

/**

* 指定节点添加到缓存中

*

* @param key value值对应的键

* @param value 存放的值

*/

@Override

public void set(K key, V value) {

Nodenode = new Node(value, key);

//缓存容量未满,不需要淘汰,直接添加到最后一个

if (size <= capacity) {

node.prev = head;

node.next = head.next;

head.next.prev = node;

head.next = node;

map.put(node.key, node);

size++;

} else {//容量已满,淘汰最后一个节点即可

// map.put((K)node.key, node);

Node delNode = tail.prev;

delNode.prev.next = node;

node.prev = delNode.prev;

node.next = tail;

tail.prev = node;

delNode.next = null;

delNode.prev = null;

delNode = null;

map.remove(delNode.key);

}

}

//清空缓存

@Override

public void clear() {

this.head = new Node(null, null, null);

this.tail = new Node(head, null, null);

head.next = tail;

size = 0;

}

/**

* 当节点被访问时需要放置到缓存最前面

*

* @param node

*/

private void moveToFirst(Node node) {

//validationIsSwap();

if (node == head.next) {

return;

}

NodenodePrev = node.prev;

NodenodeNext = node.next;

Node beMoved = head.next;// 头节点的下一个节点

head.next = node;

node.prev = head;

node.next = beMoved;

beMoved.prev = node;

nodePrev.next = nodeNext;

nodeNext.prev = nodePrev;

}

/**

* 确定是否可以交换,如果size小于等于1 则没必要

*

* private void validationIsSwap() {

* if (size <= 1) {

* throw new IllegalArgumentException("缓存容量不大于1,不能进行该操作");

* }

* }

*/

public static void main(String[] args) {

LRUCachelruCache = new LRUCache(20);

KeyGenerationStrategykeyGenerationStrategy = new SimpleKeyGenerationStrategy<>();

String key1 = keyGenerationStrategy.generationKey(1);

String key2 = keyGenerationStrategy.generationKey(2);

String key3 = keyGenerationStrategy.generationKey(3);

lruCache.set(key1, 1);

lruCache.set(key2, 2);

lruCache.set(key3, 3);

System.out.println(lruCache.get(key1)+""); ;

System.out.println(lruCache.get(key2)+""); ;

System.out.println(lruCache.get(key3)+""); ;

System.out.println(lruCache.get(key1)+""); ;

// lruCache.swapAndFirst(node2);

Node head = lruCache.head;

//第一个

head = head.next;

System.out.println(head);

//第二个

head = head.next;

System.out.println(head);

//第三个

head = head.next;

System.out.println(head);

// lruCache.set(node1);

}

private Node getHead() {

return this.head;

}

}

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: LRU (Least Recently Used) 算法是一种常用于缓存淘汰策略的算法,它的原理是根据数据的访问时间来进行淘汰,即最近最少使用的数据优先被淘汰。在实现 LRU 算法时,我们通常使用一个双向链表和一个哈希表来存储数据。 链表中的每个节点用来存储一个数据,节点包含三个属性:key,value 和 prev、next 指针,其中 key 和 value 分别表示数据的键和值,prev 和 next 指针用来指向前驱和后继节点。 哈希表用来存储每个数据在链表中的位置,键为数据的键,值为链表中对应节点的指针。这样,在对数据进行查找和删除时,我们只需要在哈希表中查找对应节点的指针,就可以快速地访问到链表中的数据。 每次访问数据时,我们需要将其移到链表的末尾,这样就可以保证链表的头部始终为最近最少使用的数据。当链表已满时,我们需要删除链表头部的数据,也就是最近最少使用的数据。 总的来说,实现 LRU 算法需要以下几个步骤: 1. 初始化一个双向链表和一个哈希表; 2. 每次访问数据时,将其移到链表的末尾; 3. 当链表已满时,删除链表头部的数据; 4. 在链表和哈希表中添加、删除或查找数据时,需要保证两者的一致性。 ### 回答2: Java LRU(最近最少使用)算法可以通过链表实现LRU算法是一种用于缓存淘汰的策略,它根据数据的使用情况来决定哪些数据将被保留在缓存中,哪些数据将被淘汰。在LRU算法中,最近最少使用的数据会被选择淘汰。 在Java中,我们可以使用链表来实现LRU算法。链表的每个节点代表一个数据,节点的顺序表示数据的使用顺序,最近使用的数据位于链表的头部,最近最少使用的数据位于链表的尾部。 实现LRU算法的链表需要支持两个操作:插入和删除。当有新的数据被访问时,我们首先在链表中查找该数据。如果数据已经存在于链表中,我们将其从原来的位置删除,并将其插入到链表的头部。如果数据不存在于链表中,我们将其插入到链表的头部。当链表的大小达到缓存的容量上限时,我们需要删除链表尾部的节点。 通过链表实现LRU算法有一定的优势。插入和删除操作的时间复杂度为O(1),即常数时间。同时,由于链表的特性,我们可以轻松地调整节点的顺序,以实现LRU算法的功能。 总之,通过链表实现Java LRU算法是一种简单有效的方法。它通过维护一个有序的链表结构来实现数据的使用顺序,并且支持快速的插入和删除操作。这种实现方式可以用于缓存等需要快速访问和淘汰数据的场景,提高系统性能和效率。 ### 回答3: LRU(Least Recently Used,最近最少使用)算法是一种常用的缓存替换算法,用于解决缓存空间有限的情况下,有效地管理缓存中的数据。 在实现LRU算法时,通常使用双向链表和HashMap结合的方式。 双向链表是用于记录数据的访问顺序,最近访问的数据位于链表头部,而最久未访问的数据位于链表尾部。每当有数据被访问时,如果该数据在链表中已存在,则将该数据移到链表头部;如果数据不存在,则将该数据添加到链表头部。当缓存满时,需要替换最久未访问的数据,即链表尾部的数据。 HashMap用于快速定位某个数据是否在缓存中,并记录该数据在双向链表中的位置。当需要访问数据时,首先在HashMap中查找是否存在该数据,若存在,则将该数据移到链表头部,同时更新HashMap中该数据对应的位置;若不存在,则将该数据添加到链表头部,并在HashMap中添加该数据的映射。 通过以上的链表和HashMap的结合,可以实现LRU算法。当数据被访问时,可以在O(1)的时间复杂度内完成查找和移动操作,从而提高算法的效率。 总结起来,LRU算法通过双向链表和HashMap的结合,实现了对缓存中数据的高效管理,提高了数据访问效率。这种算法在很多场景下都有广泛的应用,比如操作系统的页面置换、数据库查询优化等。

“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