最近最少使用（LRU）缓存淘汰算法

}

prev.next = new Node(e, prev.next);

size ++;

}

// 在链表尾部添加节点 x

public void addLast(Node x) {

add(size, x.val);

}

// 在链表头部添加节点 x

public void addFirst(Node x) {

add(0, x.val);

}

提供删除元素的方法：

• 根据索引删除

// 从链表中删除index处的元素

public Node remove(int index){

if (index < 0 || index > size)

throw new IllegalArgumentException(“Set failed. Illegal index.”);

Node prev = head;

for (int i = 0; i < index; i++) {

prev = prev.next;

}

Node retNode = prev.next;

prev.next = retNode.next;

retNode.next = null;

size --;

return retNode;

}

• 删除传入节点

// 删除节点x

public void remove(Node x){

Node pre = head;

Node node = head.next;

while (node != null){

if (node == x){

pre.next = node.next;

node.next = null;

}

node = node.next;

pre = pre.next;

}

}

• 删除第一或最后一个元素

/**

• 删除最后一个节点

• @return

*/

public Node removeLast() {

return remove(size - 1);

}

/**

• 删除第一个节点

• @return

*/

public Node removeFirst(){

return remove(0);

}

提供根据数值寻找节点的方法：

/**

• 根据值寻找节点

• @param val

• @return

*/

public Node findByValue(int val){

Node node = head;

while (node != null){

if (node.val == val){

return node;

}

node = node.next;

}

return null;

}

LRU缓存算法类：

用链表的底层来实现缓存，构造函数传入初始容量

public class LRUCache {

private SingleList cache;

private int cap; // 最大容量

public LRUCache(int capacity) {

this.cap = capacity;

cache = new SingleList();

}

}

将某个val提升为最近使用的：

private void makeRecently(int val) {

Node x = cache.findByValue(val);

// 先从链表中删除这个节点

cache.remove(x);

// 重新插到队头

cache.addFirst(x);

}

添加最近使用的val：

private void addRecently(int val) {

Node x = new Node(val);

// 链表头部就是最近使用的元素

cache.addFirst(x);

}

删除某一个val：先找到对应节点，然后删除

private void deleteVal(int val) {

Node x = cache.findByValue(val);

// 从链表中删除

cache.remove(x);

}

删除最久未使用的val：

private void removeLeastRecently() {

// 链表尾部元素就是最久未使用的

cache.removeLast();

}

使用缓存中的某个数据：

public Node get(int val) {

Node x = cache.findByValue(val);

if (x == null){

return null;

}

// 将该数据提升为最近使用的

makeRecently(val);

return x;

}

放入新数据：如果缓存已经满了则需要删除最久未使用的

public void put(int val) {

if (cache.findByValue(val) != null) {

// 删除旧的数据

deleteVal(val);

// 新插入的数据为最近使用的数据

addRecently(val);

return;

}

if (cap == cache.size()) {

// 删除最久未使用的元素

removeLeastRecently();

}

// 添加为最近使用的元素

addRecently(val);

}

打印方法：

public void printCache(){

Node pointer = cache.head;

while (pointer != null){

System.out.print(“[” + pointer.val + “] ->”);

pointer = pointer.next;

}

System.out.println();

}

*3.1 优化

---

我们可以继续优化这个实现思路，比如引入散列表（Hash table）来记录每个数据的位置，将缓存访问的时间复杂度降到 O(1)。这里缓存改为存储键值对了，其实上面的单向链表的每个Node也可以存储两个值，key和value，有兴趣的同学们可以自己尝试一下

如果想让 put 和 get 方法的时间复杂度为 O(1)，我们可以尝试总结以下几点：

1. cache 中的元素存储时必须能体现先后顺序，以区分最近使用的和久未使用的数据；

2. 要在 cache 中快速找某个 key 是否存在并得到对应的 val；

3. 每次访问 cache 中的值，需要将其变为最近使用的，即，要支持在任意位置快速插入和删除元素。

哈希表查找快，但是数据无固定顺序；链表有顺序之分，插入删除快，但是查找慢。

所以，结合一下，用哈希链表

实际上LRU算法的核心数据结构就是哈希链表，长这样：

再看上面的条件：

1. 同单链表的情况相同，如果从头部插入元素，显然越靠近尾部的元素是最久未使用的。（当然反过来也成立）；

2. 对于一个key，可以通过HashTable快速查找到val；

3. 链表显然是支持在任意位置快速插入和删除的。只不过传统的链表查找元素的位置较慢，而这里借助哈希表，通过 key快速映射到一个链表节点，然后进行插入和删除。

这次我们从尾部插入，从头部删除~

双向链表的节点类Node：

只增加了一个指向上一个节点的指针 Node pre

class Node {

public int key, val;

public Node next, prev;

public Node(int k, int v) {

this.key = k;

this.val = v;

}

}

依靠实现的节点类Node给出双向链表的实现：

构造方法初始化头尾虚节点，链表元素个数

class DoubleList {

// 头尾虚节点

public Node head, tail;

// 链表元素数

private int size;

public DoubleList() {

// 初始化双向链表的数据

head = new Node(0, 0);

tail = new Node(0, 0);

head.next = tail;

tail.prev = head;

size = 0;

}

}

在尾部添加节点的方法：

// 在链表尾部添加节点 x，时间 O(1)

public void addLast(Node x) {

x.prev = tail.prev;

x.next = tail;

tail.prev.next = x;

tail.prev = x;

size++;

}

删除节点x的方法：

删除一个节点不光要得到该节点本身的指针，也需要操作其前驱节点的指针，双向链表由于有pre指针的存在所以删除操作的时间复杂度为O(1)

// 删除链表中的 x 节点（x 一定存在）

// 由于是双链表且给的是目标 Node 节点，时间 O(1)

public void remove(Node x) {

x.prev.next = x.next;

x.next.prev = x.prev;

size–;

}

删除链表第一个节点的方法：

// 删除链表中第一个节点，并返回该节点，时间 O(1)

public Node removeFirst() {

if (head.next == tail)

return null;

Node first = head.next;

remove(first);

return first;

}

LRU缓存算法类：

有了双向链表的实现，我们只需要在 LRU 算法中把它和哈希表结合起来即可

构造方法：

class LRUCache {

// key -> Node(key, val)

private HashMap<Integer, Node> map;

// Node(k1, v1) <-> Node(k2, v2)…

private DoubleList cache;

// 最大容量

private int cap;

public LRUCache(int capacity) {

this.cap = capacity;

map = new HashMap<>();

cache = new DoubleList();

}

}

接下来先设计一些辅助函数，用于随后进行操作的：

将某个值设置为最近使用的：

private void makeRecently(int key) {

Node x = map.get(key);

// 先从链表中删除这个节点

cache.remove(x);

// 重新插到队尾

cache.addLast(x);

}

添加一个元素，该元素为最新使用的：

private void addRecently(int key, int val) {

Node x = new Node(key, val);

// 链表尾部是最近使用的元素

cache.addLast(x);

// 维护map

map.put(key, x);

}

删除元素：

private void deleteKey(int key) {

Node x = map.get(key);

// 从链表中删除

cache.remove(x);

// 维护map

map.remove(key);

}

**删除最久没用的元素：**其实就是删除第一个节点

private void removeLeastRecently() {

// 链表头部的第一个元素就是最久未使用的

Node deletedNode = cache.removeFirst();

// 维护map

int deletedKey = deletedNode.key;

map.remove(deletedKey);

}

有了上面这些辅助函数，接下来就可以实现LRU算法的get和put方法了：

get方法：

public int get(int key) {

if (!map.containsKey(key)) {

return -1;

}

// 将该数据提升为最近使用的

makeRecently(key);

return map.get(key).val;

}

put方法：

public void put(int key, int val) {

if (map.containsKey(key)) {

// 删除旧的数据

deleteKey(key);

// 新插入的数据为最近使用的数据

addRecently(key, val);

return;

}

if (cap == cache.size()) {

// 删除最久未使用的元素

removeLeastRecently();

}

// 添加为最近使用的元素

addRecently(key, val);

}

打印方法：

public void printCache(){

Node pointer = cache.head.next;

while (pointer != cache.tail){

System.out.print(“[” + pointer.key + “,” + pointer.val + “] ->”);

pointer = pointer.next;

}

System.out.println();

}

说了这么多其实也同时解决了 leetcode146 ，大家可以自行探索~

4 彩蛋

====

Java已经内置了相应的哈希链表LinkedHashMap这个数据结构我们可以直接拿过来用，逻辑和上文相同

class LRUCache {

int capacity; // 缓存大小

LinkedHashMap<Integer, Integer> cache = new LinkedHashMap<>();

public LRUCache(int capacity) {

this.capacity = capacity;

}

// 从缓存中取出数据方法

public int get(int key) {

if (!cache.containsKey(key)) {

return -1;

}
自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Java工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Java开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Java开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且会持续更新！

如果你觉得这些内容对你有帮助，可以扫码获取！！（备注Java获取）

Java核心架构进阶知识点

面试成功其实都是必然发生的事情，因为在此之前我做足了充分的准备工作，不单单是纯粹的刷题，更多的还会去刷一些Java核心架构进阶知识点，比如：JVM、高并发、多线程、缓存、Spring相关、分布式、微服务、RPC、网络、设计模式、MQ、Redis、MySQL、设计模式、负载均衡、算法、数据结构、kafka、ZK、集群等。而这些也全被整理浓缩到了一份pdf——《Java核心架构进阶知识点整理》，全部都是精华中的精华，本着共赢的心态，好东西自然也是要分享的

内容颇多，篇幅却有限，这就不在过多的介绍了，大家可根据以上截图自行脑补
《互联网大厂面试真题解析、进阶开发核心学习笔记、全套讲解视频、实战项目源码讲义》点击传送门即可获取！
6241)]

[外链图片转存中…(img-Q01iQnKB-1713732366242)]

[外链图片转存中…(img-n6fLxlWY-1713732366243)]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上Java开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且会持续更新！

如果你觉得这些内容对你有帮助，可以扫码获取！！（备注Java获取）

Java核心架构进阶知识点

面试成功其实都是必然发生的事情，因为在此之前我做足了充分的准备工作，不单单是纯粹的刷题，更多的还会去刷一些Java核心架构进阶知识点，比如：JVM、高并发、多线程、缓存、Spring相关、分布式、微服务、RPC、网络、设计模式、MQ、Redis、MySQL、设计模式、负载均衡、算法、数据结构、kafka、ZK、集群等。而这些也全被整理浓缩到了一份pdf——《Java核心架构进阶知识点整理》，全部都是精华中的精华，本着共赢的心态，好东西自然也是要分享的

[外链图片转存中…(img-niMD3ZtE-1713732366243)]

[外链图片转存中…(img-ldwiIANx-1713732366244)]

[外链图片转存中…(img-M3Mdua8K-1713732366244)]

内容颇多，篇幅却有限，这就不在过多的介绍了，大家可根据以上截图自行脑补
《互联网大厂面试真题解析、进阶开发核心学习笔记、全套讲解视频、实战项目源码讲义》点击传送门即可获取！