3.1-3.2LFU&LRU算法

3.1 手把手教你写LRU缓存淘汰算法

3.1.1 LRU(Least Recently Used)算法介绍

• LRU算法:是一种缓存淘汰策略，最近最少使用置换算法
• **操作系统上的解释:**LRU是一种页面置换算法，在页面置换时，会根据每个页面上次被访问时的时间戳，比较当前内存页框中的所有页的时间戳，如果时间戳最远，则优先淘汰它，这是一种假设，假设以过去预测将来，过去很久没有用过的页在将来也大概率不会用到。
• LRU置换算法的关键是按照访问时序来淘汰

3.2.2 题目实例

• 来看到leetcode.146题

• 请你设计并实现一个满足 LRU (最近最少使用) 缓存 约束的数据结构。
  实现 LRUCache 类：

• LRUCache(int capacity) 以 正整数 作为容量 capacity 初始化 LRU 缓存

• int get(int key) 如果关键字 key 存在于缓存中，则返回关键字的值，否则返回 -1 。

• void put(int key, int value) 如果关键字 key 已经存在，则变更其数据值 value ；

• 如果不存在，则向缓存中插入该组 key-value 。如果插入操作导致关键字数量超过 capacity ，则应该逐出最久未使用的关键字。

• 首先题目要接收一个capacity参数作为缓存的最大容量，然后实现两个API，一个是put(key,val)和get(key)，方法获得key所对应的val，如果key不存在则返回-1

• 注意,使用遍历暴力模拟的方式是过不了这道题的，必须使得get和put的时间复杂度为O(1)

输入
["LRUCache", "put", "put", "get", "put", "get", "put", "get", "get", "get"]
[[2], [1, 1], [2, 2], [1], [3, 3], [2], [4, 4], [1], [3], [4]]
输出
[null, null, null, 1, null, -1, null, -1, 3, 4]

解释
LRUCache lRUCache = new LRUCache(2);
lRUCache.put(1, 1); // 缓存是 {1=1}
lRUCache.put(2, 2); // 缓存是 {1=1, 2=2}
lRUCache.get(1);    // 返回 1 {2=2, 1=1},因为访问了键1,所以2会提到队头
lRUCache.put(3, 3); // 该操作会使得关键字 2 作废，缓存是 {1=1, 3=3},会把队尾元素出队
lRUCache.get(2);    // 返回 -1 (未找到)
lRUCache.put(4, 4); // 该操作会使得关键字 1 作废，缓存是 {4=4, 3=3}
lRUCache.get(1);    // 返回 -1 (未找到)
lRUCache.get(3);    // 返回 3
lRUCache.get(4);    // 返回 4

来源：力扣（LeetCode）
链接：https://leetcode.cn/problems/lru-cache
著作权归领扣网络所有。商业转载请联系官方授权，非商业转载请注明出处。

3.1.3 算法设计

• [1] 显然Cache中的元素必须具有时序，以区分最近使用的和久未使用的数据，当容量满了之后要删除最久未使用的那个元素腾位置
• [2] 要在Cache中快速查找某个key是否存在并得到对应的val
• [3] 每次访问cache中的某个key,需要将这个元素变为最近使用的,也就是说cache要支持在任意位置快速插入的和删除元素
• 分析: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，但是在这之前定位节点需要时间复杂度为O(n)的查找，所以结合两者的特点，使用LinkedHashMap作为我们的数据结构,JAVA中已经有这个数据结构了，如果是其他语言的话还需要自己实现一下，其具体的结构如下

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-EQzH6Wrd-1661227302574)(./image/146-1.png)]

• 哈希链表：可以根据key值快速查找到节点，在遍历时也可以根据插入的顺序来保证遍历顺序的唯一性。

  • 如果每次默认从链表尾部添加元素，那么显然越靠近尾部的元素就越是最近使用的，越靠近头部的元素就是越久未使用的

  • 对于某一个key，可以通过哈希表快速定位到链表中节点，从而取到对应的val

  • 链表显然是支持在任意位置的快速插入和删除的，只需要修改指针即可，只不过传统的链表无法安装索引快速访问某一个位置的元素，而这里借助了哈希表，可以通过key快速映射到任意一个链表节点，然后进行插入和删除

• 我们首先从零开始实现一个双向链表

//定义双链表的节点类,注意双链表的话是需要有两个指针,一个指针指向前面,一个指针指向后面
class Node {
    public int key;
    public int val;
    public Node next,prev;
    public Node(int k,int v){
        this.key=k;
        this.val=v;
    }
}
//依靠Node类型构建双链表
class DoubleList{
    //头尾的虚节点
    private Node head,tail;
    //链表的元素个数
    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;
        //头结点没有上一个节点,下一个节点是尾结点
        tail.prev=head;
        //尾结点有上一个节点,没有下一个节点
        this.size = 0;
    }

    //在链表尾部添加节点x,时间复杂度为O(1)
    public void addList(Node x){
        //修改指针
        //x节点的上一个节点设置为tail的上一个节点
        x.prev = tail.prev;
        //x节点的下一个节点设置为tail
        x.next = tail;
        //tail节点的上一个节点的下一个节点属性设置为x
        tail.prev.next = x;
        //tail节点的上一个节点设置为x
        tail.prev =x;
        //链表长度+1
        this.size++;
    }

    //删除链表中的x节点(x一定存在)
    //由于是双链表而且给的是目标Node节点,时间复杂度是O(1)
    public void remove(Node x){
        //先处理之前节点的关系
        //使得x的上一个节点连接x的下一个节点
        x.prev.next = x.next;
        //使得x的下一个节点连接x的上一个节点
        x.next.prev = x.prev;
        this.size--;
    }

    //删除链表中的第一个节点,并返回该节点,时间复杂度为O(1)
    public Node removeFirstNode(){
        if(head.next == tail){
            return null;
        }
        Node x = head.next;
        //头节点的下一个节点指向第一个节点的下一个节点
        head.next = x.next;
        //第一个节点的下一个节点的上一个节点属性指向头结点
        x.next.prev = head;
        this.size--;
        return x;
    }

    //获取链表总长度
    public int getSize(){
        return this.size;
    }
    
}

• [问题1] 为什么要是双向链表呢而不是单链表呢?
  • 我们想要达到的效果是删除API的时间复杂度是O(1)而我们想要进行删除操作，那么就得到目标节点的时候，我们也希望能够以O(1)的方式得到其前驱节点，其前驱节点在单链表中是无法得到的，要得到的话只能通过O(n)的时间复杂度遍历得到，那么我们维护一个前驱指针来便于我们得到其前驱节点
• 注意:我们所实现的双链表API只能从尾部插入，也就是靠尾部的数据是最近使用的，靠头部的数据是最久未使用的

public class LRU {
    //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 LRU(int cap){
        this.cap = cap;
        map = new HashMap<>();
        cache = new DoubleList();
    }
}

• 由于要同时维护一个双链表cache和一个哈希表map,很容易漏掉一些操作，比如删除某个key的时候，在cache中删除了对应的node，但是却忘记在map中删除key
• 解决这种问题的有效方法是:在这两种数据结构之上提供一层抽象API，就是尽量让LRU的主方法get和put避免直接操作map和cache的细节，简单来说，就是你不是会忘记这个忘记那个的嘛，那就把Cache和map的操作合并在一起就行

public class LRU {
    //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 LRU(int cap){
        this.cap = cap;
        map = new HashMap<>();
        cache = new DoubleList();
    }
    /*将某个key提升为最近使用*/
    private void makeRecently(int key){
        Node x= map.get(key);
        //先从链表中删除该节点
        cache.remove(x);
        //将该节点插入到表尾
        cache.addList(x);
    }

    /**
     * 添加最近使用的元素
     * @param key
     * @param val
     */
    private void addRecently(int key,int val){
        Node x = new Node(key,val);
        //链表尾部就是最近使用的元素
        cache.addList(x);
        //别忘了在map中添加key的映射
        map.put(key,x);
    }

    /**
     * 删除某一个key
     * @param key
     */
    private void deleteKey(int key){
        Node x = map.get(key);
        //从链表中删除该key所对应的节点
        cache.remove(x);
        //从map中删除
        map.remove(x);
    }

    /**
     * 删除最久没有使用的元素
     */
    public void removeLeastRecently(){
        //链表头部的第一个元素就是最久未使用的
        Node deleteNode = cache.removeFirstNode();
        //同时从map中删除它的key
        int key = deleteNode.key;
        map.remove(key);
    }
    
}

• 写完代码后来理一下思路

• [问题2] 我们需要封装什么API?

  • 如果某个节点最近被使用过了，那么这个节点就应该被放到链表的尾部，也就是将指定节点移动到链表的尾部，这时候只需要操作cache
  • 如果需要将某个节点加入到Cache，那么这个节点应当是新节点，也就是将将指定节点移动到链表尾部并且在cache中添加数据
  • 如果需要置换某个节点，根据LRU算法的特点，也就是需要将链表头部节点删除，并且在cache中将其删除
  • 同时第三个API而言，我们还可以根据指定的key来删除指定的节点

• [问题3] 既然哈希表中已经存了key，为什么链表中还要存key和val呢?只存val不就行了嘛?

  • 当缓存容量已满的时候，不仅要删除最后一个Node节点，还要把map中映射到该节点的key同时删除，而这个key只能由node来得到，如果node只存val的话就会造成没办法删除map中的键，造成错误

    /**
     * 外部取cache的值
     * @param key
     * @return
     */
    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;
    }

    /**
     *
     * @param key
     * @param val
     */
    public void put(int key,int val){
        if(map.containsKey(key)){
            //如果有相同的key值,那么就删除旧的数据
            deleteKey(key);
            //新插入的数据为最近使用的数据
            this.addRecently(key,val);
            return;
        }
        //如果是新的数据,那么就需要淘汰一页后插入
        if(cap == cache.getSize()){
            //删除最久未使用的元素
            removeLeastRecently();
        }
        //添加最近使用的元素
        addRecently(key, val);

    }

• 了解了原理之后我们用Java内置的数据结构来完成这个事情

import java.util.LinkedHashMap;

class LRUCache {
    private LinkedHashMap<Integer,Integer> cache = new LinkedHashMap<>();
    int cap;
    public LRUCache(int capacity) {
        this.cap = capacity;
    }

    public int get(int key) {
        if(!cache.containsKey(key)){
            return -1;
        }
        //将key变为最近使用
        //1.将cache中的key对应的key在删除前保存下来
        int val = cache.get(key);
        //2.删除该key
        cache.remove(key);
        //3.将该key放到链表的尾部
        cache.put(key,val);
        return val;
    }
 
    public void put(int key, int value) {
        //首先检查cache中是否有该key,如果有,则覆盖
        if(cache.containsKey(key)){
            cache.remove(key);
            cache.put(key,value);
            return;
        }
        //如果cache中没有该key,则先检查是否需要置换
        if(cache.size() >= this.cap){
            //此时需要置换,需要删除链表的最后一个元素
            int oldKey  = cache.keySet().iterator().next();//取到链表的头部
            cache.remove(oldKey);
        }
        cache.put(key,value);
    }
}

/**
 * Your LRUCache object will be instantiated and called as such:
 * LRUCache obj = new LRUCache(capacity);
 * int param_1 = obj.get(key);
 * obj.put(key,value);
 */

3.2 实现LFU(Least Frequently Used)缓存算法

3.2.1 LFU算法介绍

LFU算法:每次淘汰那些使用次数最少的数据，LRU算法相当于把数据按照时间进行排序，这个需求借助链表很自然就能够实现，一直从链表头部加入元素的话，就可以实现这个需求，其越接近头部的话就是越新的数据，越接近尾部的元素就越是旧的数据，进行缓存淘汰的时候只需要简单将尾部的元素淘汰即可。

LFU算法相当于把数据按照访问频次进行排序，如果多个数据拥有相同的访问频次就应该删除最早插入的那个数据，也就是说LFU算法是淘汰访问频次最低的数据，如果访问频次最低的数据有多条，需要淘汰最旧的数据。

3.2.1 算法描述

请你为 最不经常使用（LFU）缓存算法设计并实现数据结构。

实现 LFUCache 类：

LFUCache(int capacity) - 用数据结构的容量 capacity 初始化对象
int get(int key) - 如果键 key 存在于缓存中，则获取键的值，否则返回 -1 。
void put(int key, int value) - 如果键 key 已存在，则变更其值；如果键不存在，请插入键值对。当缓存达到其容量 capacity 时，则应该在插入新项之前，移除最不经常使用的项。在此问题中，当存在平局（即两个或更多个键具有相同使用频率）时，应该去除最近最久未使用的键。
为了确定最不常使用的键，可以为缓存中的每个键维护一个使用计数器 。使用计数最小的键是最久未使用的键。

当一个键首次插入到缓存中时，它的使用计数器被设置为 1 (由于 put 操作)。对缓存中的键执行 get 或 put 操作，使用计数器的值将会递增。

函数 get 和 put 必须以 O(1) 的平均时间复杂度运行。

示例：

输入：
["LFUCache", "put", "put", "get", "put", "get", "get", "put", "get", "get", "get"]
[[2], [1, 1], [2, 2], [1], [3, 3], [2], [3], [4, 4], [1], [3], [4]]
输出：
[null, null, null, 1, null, -1, 3, null, -1, 3, 4]

解释：
// cnt(x) = 键 x 的使用计数
// cache=[] 将显示最后一次使用的顺序（最左边的元素是最近的）
LFUCache lfu = new LFUCache(2);
lfu.put(1, 1);   // cache=[1,_], cnt(1)=1
lfu.put(2, 2);   // cache=[2,1], cnt(2)=1, cnt(1)=1
lfu.get(1);      // 返回 1
                 // cache=[1,2], cnt(2)=1, cnt(1)=2
lfu.put(3, 3);   // 去除键 2 ，因为 cnt(2)=1 ，使用计数最小
                 // cache=[3,1], cnt(3)=1, cnt(1)=2
lfu.get(2);      // 返回 -1（未找到）
lfu.get(3);      // 返回 3
                 // cache=[3,1], cnt(3)=2, cnt(1)=2
lfu.put(4, 4);   // 去除键 1 ，1 和 3 的 cnt 相同，但 1 最久未使用
                 // cache=[4,3], cnt(4)=1, cnt(3)=2
lfu.get(1);      // 返回 -1（未找到）
lfu.get(3);      // 返回 3
                 // cache=[3,4], cnt(4)=1, cnt(3)=3
lfu.get(4);      // 返回 4
                 // cache=[3,4], cnt(4)=2, cnt(3)=3

• 要求你写一个类，接收一个capacity参数，实现get和put方法
• get(key)方法去缓存中查询键key，如果 key已经存在，则返回key所对应的val，否则返回-1
• put(key,val)方法插入或者修改缓存，如果key已经存在，则将它对应的值改为val，如果key不存在，则插入键值对(key,val)
• 当容量达到capacity的时候，则应该在插入新的键值对之前，删除使用频次(下面使用freq来表示)最低的键值对，如果freq最低的键值有对多个，则删除最旧的那个

3.2.3 思路分析

• 首先需要计算从key到val的映射，这里我们使用一个HashMap<Integer,Integer> keyToVal，就可以快速计算get(key)
• 使用一个HashMap<Integer,Integer> keyToFreq就可以快速操作key对应的freq
• LFU算法核心
  • 需要freq到key的映射
  • 将freq最小的key删除，那就应该快速得到当前所有key最小的freq是多少。想要时间复杂度为O(1)的话，肯定不能进行遍历的，对于这种需求，我们可以维护一个临时变量(备忘录思想)minFreq来记录当前最小的freq
  • 可能有多个key拥有相同的freq，所以freq对key是一对多的关系，也就是freq对应一个key列表
  • 希望freq对应的key的列表是存在时序，便于快速查找并删除最旧的key
  • 希望能够快速删除key列表中的任意一个key，因为如果频次为freq的某个key被访问了，那么它的频次就应该变成freq+1，就应该从freq对应key列表中删除，加到freq+1对应的列表中
• 于是设计出以下数据结构

    HashMap<Integer,Integer> keyToVal;//用于快速获取key=>val的值
    HashMap<Integer,Integer> keyToFreq;//用于快速获取每个值的访问频率
    HashMap<Integer, LinkedHashSet<Integer>> freqToKeys;//用于形成一张表，该表中保存着每个频率所对应的key值
    //LinkedHashSet是链表和哈希集合的结合体，链表不能快速访问链表节点，需要遍历执行，无法达到我们想要快速删除目标值的目的
    //哈希集合中的元素无需，但是可以对元素快速的访问和删除
    int minFreq = 0;
    //临时维护的变量,用来记录最小的频次
    int cap = 0;
    //记录LFU缓存的最大容量

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-41eUnghk-1661227302575)(./image/LFU-01.png)]

import java.util.HashMap;
import java.util.LinkedHashMap;
import java.util.LinkedHashSet;

/**
 * 即将要维护KV表,KF表,FK表三个映射
 */
class LFUCache {
    HashMap<Integer,Integer> keyToVal;//用于快速获取key=>val的值
    HashMap<Integer,Integer> keyToFreq;//用于快速获取每个值的访问频率
    HashMap<Integer, LinkedHashSet<Integer>> freqToKeys;//用于形成一张表，该表中保存着每个频率所对应的key值
    //LinkedHashSet是链表和哈希集合的结合体，链表不能快速访问链表节点，需要遍历执行，无法达到我们想要快速删除目标值的目的
    //哈希集合中的元素无需，但是可以对元素快速的访问和删除
    int minFreq ;
    //临时维护的变量,用来记录最小的频次
    int cap ;
    //记录LFU缓存的最大容量

    public LFUCache(int capacity) {
        keyToVal = new HashMap<>();
        keyToFreq = new HashMap<>();
        freqToKeys = new HashMap<>();
        this.cap = capacity;
        this.minFreq = 0;//一开始还没有进行访问,故先初始化为0
    }

    public int get(int key) {
        //如果K-V表没有这个key,直接返回-1
        if(!keyToVal.containsKey(key)){
            return -1;
        }
        //否则就是有这个key,返回值之外,还需要对频率进行修改
        increase(key);
        return keyToVal.get(key);
    }

    public void put(int key, int value) {
        //根据算法思路图转换为代码
        if(this.cap<=0){
            return ;
        }
        //1.检查key是否存在,以KV表为准
        if(keyToVal.containsKey(key)){
            //当存在该key的时候
            keyToVal.put(key,value);
            //同时更新频次相关信息
            increase(key);
            return;
        }

        //2.如果key不存在,检查当前容量是否已经满了
        //FK KV KF
        if(keyToVal.size() >= this.cap){
            //如果已经满了,则需要置换
            /**LFU置换算法**/
            //首先获取freq最小的key列表
            LinkedHashSet<Integer> keys = freqToKeys.get(this.minFreq);
            //这些key都是待淘汰的,我们直接将最久没有使用过的key给它淘汰掉
            int oldest = keys.iterator().next();//这里获取的是链式集合头部的元素,越后面的就是越先插入的,淘汰最头部的
            //1.更新频次相关信息=>我们将FK表的信息给更新了先
            keys.remove(oldest);
            if(keys.isEmpty()){//如果删除了这个频次的相关信息后,再也没有这个频次所对应的key表了,直接就直接删除这个key表
                freqToKeys.remove(this.minFreq);
                //此处是否应该需要更新minFreq
                //假如说需要更新minFreq,那么该操作的时间复杂度就不是O(1)了,而是O(n)
                //我们将算法流程走一遍下来哈
                //首先就是什么时候会走这个分支?
                //是当需要进行置换,而且插入一个新key的时候才会被调用
                //那么插入新key的时候,最小的访问频率是不是一定是1?
                //那么就没有必要更新minFreq了
            }
            //更新key-val表,已经预处理完毕
            keyToVal.remove(oldest);
            //更新KF表
            keyToFreq.remove(oldest);
        }
        //否则未满则直接插入即可
        keyToVal.put(key,value);//将对应的值插入到主表
        keyToFreq.put(key,1);//初次访问设置为1
        //同时设置fk表
        freqToKeys.putIfAbsent(1,new LinkedHashSet<>());
        freqToKeys.get(1).add(key);
        //插入新key后的最小freq肯定是1
        this.minFreq = 1;
    }

    void increase(int key){
        //1.修改key=>freq表
        int freq = keyToFreq.get(key);
        keyToFreq.put(key,freq+1);
        //2.修改freq=>key表
        //2.1 将freq=>对应的key删除掉
        LinkedHashSet<Integer> keys = freqToKeys.get(freq);
        keys.remove(key);
        //将key加入到freq+1对应的列表里
        freqToKeys.putIfAbsent(freq+1,new LinkedHashSet<>());
        freqToKeys.get(freq+1).add(key);
        if(keys.isEmpty()){
            //那么就移除这个表
            freqToKeys.remove(freq);
            //如果这个freq恰好就是最小的,已经没有比它更小的了,符合逻辑,删除
            if(freq == this.minFreq){
                this.minFreq++;
            }
        }
    }
}