146. LRU缓存机制

查看题目

中等

设计

哈希表

链表

双向链表

频率: 818

解法一：lru-cache

时间复杂度：O(1) | 空间复杂度：O(capacity) | 推荐使用

动画演示

容量:

Value:

当前操作: 无

LRU缓存可视化

容量: 3 | 当前大小: 0

Head

缓存为空

Tail

操作日志

代码实现


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;
    }
}

时间复杂度：O(1)

空间复杂度：O(capacity)

算法思路： LRU (Least Recently Used) 缓存是一种常用的缓存淘汰策略，当缓存容量达到上限时，删除最久未使用的数据。核心思想： 1. 使用双向链表维护访问顺序 - 链表头部：最近访问的元素 - 链表尾部：最久未访问的元素 - 每次访问或更新时，将节点移到头部 2. 使用哈希表实现 O(1) 查找 - key: 缓存的键 - value: 对应的双向链表节点 - 通过哈希表快速定位节点位置 3. 关键操作： - get(key): 通过哈希表定位节点，将其移到链表头部 - put(key, value): - 如果key存在，更新值并移到头部 - 如果key不存在且容量未满，创建新节点并添加到头部 - 如果key不存在且容量已满，删除尾部节点，创建新节点并添加到头部复杂度分析： - 时间复杂度：O(1) - get操作：哈希表查找O(1) + 双向链表移动O(1) = O(1) - put操作：哈希表查找O(1) + 双向链表插入/删除O(1) = O(1) - 空间复杂度：O(capacity) - 哈希表存储最多capacity个键值对 - 双向链表存储最多capacity个节点