【LRU算法讲解】

LRU介绍

LRU（Least Recently Used，最近最少使用）是一种常用的缓存淘汰算法，用于管理缓存中的数据。该算法的核心思想是根据数据的访问模式，淘汰最近最少被访问的数据，以便为新的数据让出空间。具体而言，LRU算法维护一个有序的数据结构，通常是一个双向链表，同时也使用哈希表来实现快速查找。
当数据被访问时，如果该数据已经在缓存中，则将其移动到链表的头部（表示最近被访问），保持最新访问的数据都在链表头部。如果新数据需要被加入缓存，但是缓存已满，则淘汰链表尾部的数据（表示最久未被访问），然后将新数据插入到链表头部。
LRU算法的优点是简单易实现，并且能够有效地反映数据的访问模式，从而提高缓存的命中率。然而，LRU算法也有一些缺点，例如需要维护额外的数据结构和开销较大的数据移动操作，以及无法完全适应某些特殊的访问模式，比如突发性的大量访问。

LRU工作原理

在这个示意图中，假设缓存的大小为5，并且当前缓存中存储了数据0、1、2、3、4，其中数据0在链表头部，数据4在链表尾部。

现在有一个新的数据5要加入缓存，因为缓存已满，需要淘汰最久未被访问的数据。根据LRU算法，需要淘汰链表尾部的数据4，并将数据5插入到链表头部，如下所示：

这样，缓存中最新访问的数据5被放在了链表的头部，而最久未被访问的数据4被淘汰了。

LRU根据JDK哈希实现

public class LRUCode extends LinkedHashMap<Integer,Integer> {
    private int capacity;
    public LRUCode(int capacity){
        super(capacity,0.75F,true);
        this.capacity=capacity;
    }
    public int get(int key){
      return  super.getOrDefault(key,-1);
    }
    public void put(int key,int val){
        super.put(key,val);
    }
    protected boolean removeEldestEntry(Map.Entry<Integer,Integer> eldest) {
        return size()>capacity;
    }
}

LRU根据哈希和双向链表实现

LRU 缓存机制可以通过哈希表辅以双向链表实现，我们用一个哈希表和一个双向链表维护所有在缓存中的键值对。

双向链表按照被使用的顺序存储了这些键值对，靠近头部的键值对是最近使用的，而靠近尾部的键值对是最久未使用的。

哈希表即为普通的哈希映射（HashMap），通过缓存数据的键映射到其在双向链表中的位置。

这样以来，我们首先使用哈希表进行定位，找出缓存项在双向链表中的位置，随后将其移动到双向链表的头部，即可在 O(1)O(1)O(1) 的时间内完成 get 或者 put 操作。具体的方法如下：
对于 get 操作，首先判断 key 是否存在：
如果 key 不存在，则返回 −1；
如果 key 存在，则 key 对应的节点是最近被使用的节点。通过哈希表定位到该节点在双向链表中的位置，并将其移动到双向链表的头部，最后返回该节点的值。
对于 put 操作，首先判断 key 是否存在：
如果 key 不存在，使用 key 和 value 创建一个新的节点，在双向链表的头部添加该节点，并将 key 和该节点添加进哈希表中。然后判断双向链表的节点数是否超出容量，如果超出容量，则删除双向链表的尾部节点，并删除哈希表中对应的项；
如果 key 存在，则与 get 操作类似，先通过哈希表定位，再将对应的节点的值更新为 value，并将该节点移到双向链表的头部。

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;
    }
}