设计实现一个LRU Cache
1 什么是LRU Cache
在LeetCode上有一个LRU Cache实现的题目
Design and implement a data structure for Least Recently Used (LRU) cache. It should support the following operations: get and set.
get(key) - Get the value (will always be positive) of the key if the key exists in the cache, otherwise return -1.
set(key, value) - Set or insert the value if the key is not already present. When the cache reached its capacity, it should invalidate the least recently used item before inserting a new item.
- 解题思路：题目让设计一个LRU Cache，即根据LRU算法设计一个缓存。在这之前需要弄清楚LRU算法的核心思想，LRU全称是Least
Recently Used，即最近最久未使用。
在操作系统的内存管理中，有一类很重要的算法就是内存页面置换算法（包括FIFO，LRU,LFU等几种常见页面置换算法）。
事实上，Cache算法和内存页面置换算法的核心思想是一样的：都是在给定一个限定大小的空间的前提下，设计一个原则如何来更新和访问其中的元素。
-
LRU算法的设计原则
如果一个数据在最近一段时间没有被访问到，那么在将来它被访问的可能性也很小
也就是说，当限定的空间已存满数据时，应当把最久没有被访问到的数据淘汰 -
而用什么数据结构来实现LRU算法呢？
可能大多数人都会想到：用一个数组来存储数据，给每一个数据项标记一个访问时间戳，每次插入新数据项的时候，先把数组中存在的数据项的时间戳自增，并将新数据项的时间戳置为0并插入到数组中。每次访问数组中的数据项的时候，将被访问的数据项的时间戳置为0。当数组空间已满时，将时间戳最大的数据项淘汰。
这种实现思路很简单，但是有什么缺陷呢？需要不停地维护数据项的访问时间戳，另外，在插入数据、删除数据以及访问数据时，时间复杂度都是O(n),数组的缺陷凸显无疑 -
那么有没有更好的实现办法呢？
那就是利用链表和HashMap。当需要插入新数据项，在链表中- 命中，则把该节点移到链表头部
- 不存在，则新建一个节点，放在链表头部，若缓存满，则把链表最后一个节点删除即可。
在访问数据时，若数据项在链表中存在，则把该节点移到链表头部，否则返回-1
这样一来在链表尾部的节点就是最近最久未访问的数据项。
1）set(key,value)
- 若key在hashmap中存在，则先重置value，然后获取对应节点cur，将其从链表删除，并移到链表头
- 不存在，则新建一个节点，并将节点放到链表的头部。
当Cache满，删除链表最后一个节点
2）get(key)
- 若key在hashmap中存在，把对应的节点放到链表头，并返回对应value
- 若不存在，则返回-1
即保证基本的get/set同时，还要保证最近访问(get或put)的节点保持在限定容量的Cache中，如果超过容量则应该把LRU(近期最少使用)的节点删除掉。
当我们在get/set一个节点时都会把操作的这个节点移动到tail节点处，代表最新操作的节点，head节点永远指向最老的节点，当超过设定的容量时，我们就删除head节点指向的最老节点
就像是个LinkedHashMap，这样做的好处是，get/set在不冲突情况下可保证O(1)复杂度
也可通过双向链表保证LRU的删除/更新O(1)复杂度
当然可简化head和tail变成一个head节点，成环，这样head的next指向最旧的节点，prev指向最新的节点。
2 实现思路
在学习了HashMap和LinkedHashMap后，是不是觉得这俩数据结构简直太适合做LRU Cache了！那么动手实现一下：
基于HashMap和双向链表的实现
/**
LRU Cache
题目描述：
Design and implement a data structure for Least Recently Used (LRU) cache. It should support the following operations: get and put.
get(key) - Get the value (will always be positive) of the key if the key exists in the cache, otherwise return -1.
put(key, value) - Set or insert the value if the key is not already present. When the cache reached its capacity, it should invalidate the least recently used item before inserting a new item.
Follow up:
Could you do both operations in O(1) time complexity?
思路：
双向链表和hashmap。
1.当需要插入新的数据项的时候，如果新数据项在链表中存在（一般称为命中），则把该节点移到链表头部，
如果不存在，则新建一个节点，放到链表头部
若缓存满了，则把链表最后一个节点删除即可。
2.在访问数据的时候，如果数据项在链表中存在，则把该节点移到链表头部，否则返回-1。
这样一来在链表尾部的节点就是最近最久未访问的数据项。
*/
public class LRUCache<K , V> {
class Node<K,V> {
Node pre;
Node next;
private final K key;
V val;
Node(K k, V v) {
key = k;
val = v;
}
}
Map<K, Node> map = new HashMap<K, Node>();
// The head (eldest) of the doubly linked list.
Node head;
// The tail (youngest) of the doubly linked list.
Node tail;
int cap;
public LRUCache(int capacity) {
cap = capacity;
head = new Node(null, null);
tail = new Node(null, null);
head.next = tail;
tail.pre = head;
}
public V get(K key) {
Node n = map.get(key);
if(n!=null) {
removeNode(n);
appendTail(n);
return (V) n.val;
}
return null;
}
public void set(K key, V value) {
Node n = map.get(key);
// existed
if(n!=null) {
n.val = value;
map.put(key, n);
removeNode(n);
appendTail(n);
return;
}
if(map.size() == cap) {
removeLast();
}
n = new Node(key, value);
// youngest node append tail
appendTail(n);
map.put(key, n);
}
//移除最近最少使用的节点，注意此节点就是head.next指向的节点
public void removeLast() {
Node tmp = head.next;
removeNode(tmp);
map.remove(tmp.key);
}
//移除某个节点，并将此节点的前后节点连接起来
private void removeNode(Node n){
n.pre.next = n.next;
n.next.pre = n.pre;
}
//将节点加入到队列的尾部，尾部代表最近使用的节点
private void appendTail(Node n) {
n.next = tail;
n.pre = tail.pre;
tail.pre.next = n;
tail.pre = n;
}
}
基于LinkedHashMap的实现
public class LRUCache<K , V> {
private int capacity;
private Map<K, V> cache;
public LRUCache(final int capacity) {
this.capacity = capacity;
this.cache = new java.util.LinkedHashMap<K, V> (capacity, 0.75f, true) {
// 定义put后的移除规则，大于容量就删除eldest
protected boolean removeEldestEntry(Map.Entry<K, V> eldest) {
return size() > capacity;
}
};
}
public V get(K key) {
if (cache.containsKey(key)) {
return cache.get(key);
} else
return null;
}
public void set(K key, V value) {
cache.put(key, value);
}
}
