当前位置：首页 > article >正文

【高阶数据结构】LRU Cache

article 2024/11/23 20:56:46

> 作者：დ旧言~
> 座右铭：松树千年终是朽，槿花一日自为荣。

> 目标：了解什么是LRU Cache，并能简单的模拟实现。

> 毒鸡汤：有些事情，总是不明白，所以我不会坚持。早安!

> 专栏选自：数据结构

> 望小伙伴们点赞👍收藏✨加关注哟💕💕

一、什么是LRU Cache

LRU是Least Recently Used的缩写，意思是最近最少使用，它是一种Cache替换算法。什么是
Cache？狭义的Cache指的是位于CPU和主存间的快速RAM，通常它不像系统主存那样使用
DRAM技术，而使用昂贵但较快速的SRAM技术。广义上的Cache指的是位于速度相差较大的两种
硬件之间，用于协调两者数据传输速度差异的结构。除了CPU与主存之间有Cache，内存与硬盘
之间也有Cache，乃至在硬盘与网络之间也有某种意义上的Cache── 称为Internet临时文件夹或
网络内容缓存等。

Cache的容量有限，因此当Cache的容量用完后，而又有新的内容需要添加进来时，就需要挑选
并舍弃原有的部分内容，从而腾出空间来放新内容。LRU Cache 的替换原则就是将最近最少使用
的内容替换掉。其实，LRU译成最久未使用会更形象，因为该算法每次替换掉的就是一段时间内
最久没有使用过的内容。

二、LRU Cache的实现

概念：

实现LRU Cache的方法和思路很多，但是要保持高效实现O(1)的put和get，那么使用 双向链表和哈希表 的搭配是最高效和经典的。使用双向链表是因为双向链表可以实现任意位置O(1)的插入和删除，使用哈希表是因为哈希表的增删查改也是O(1)。

说明：

保证查找和更新 key值对应的value的时间复杂度为O(1)，也就是保证了get，但是不能保证LRU，因为无法从哈希表中知道知道key值在双向链表中的位置，因此无法用O(1)的时间复杂度来将key值放到链表的头部。
我们可以让哈希表中存储key值和key值在双向链表中的位置，因此可以让哈希表中存储key值和key值在双向链表中的位置——迭代器，双向链表存储的是键值对pair<key, value>，这样就可以保证 LRU Cache了。

代码实现：

class LRUCache {
public:
    LRUCache(int capacity)
        :_capacity(capacity)
    {}
    
    int get(int key) {
        auto ret = _hashMap.find(key);
        if(ret != _hashMap.end())
        {
            //更新key的位置
            // 1. erase + push_front 更新迭代器, 原迭代器失效
            // 2. splice 将节点转移到头部
            ListIterator it = ret->second;
            _LRUList.splice(_LRUList.begin(), _LRUList, it);
            return it->second;
        }
        else return -1;
    }
    
    void put(int key, int value) {
        // 判断是 1.新增 还是 2. 更新
        auto ret = _hashMap.find(key);
        if(ret == _hashMap.end()) // 新增数据
        {
            // 容量已满
            if(_capacity == _hashMap.size())
            {
                pair<int, int> LRUData = _LRUList.back();
                _hashMap.erase(LRUData.first);
                _LRUList.pop_back();
            }
            _LRUList.push_front(make_pair(key, value));
            _hashMap[key] = _LRUList.begin();
        }
        else // 更新
        {
            // 更新key对应的值
            ListIterator it = ret->second;
            it->second = value;

            //更新key对应值的位置——splice 将节点转移到头部
            _LRUList.splice(_LRUList.begin(), _LRUList, it);
        }
    }
private:
    typedef list<pair<int, int>>::iterator ListIterator;
    //哈希表——查找和更新的时间复杂度为O(1),哈希表中存储的是
    //key和key在_LRUList中的位置(迭代器)
    unordered_map<int, ListIterator> _hashMap;

    list<pair<int,int>> _LRUList;
    size_t _capacity; //容量
};

三、LRU Cache的OJ

LRU缓存. - 力扣（LeetCode）

class LRUCache {
public:
    LRUCache(int capacity)
        :_capacity(capacity)
    {}
    
    int get(int key) {
        auto ret = _hashMap.find(key);
        if(ret != _hashMap.end())
        {
            //更新key的位置
            // 1. erase + push_front 更新迭代器, 原迭代器失效
            // 2. splice 将节点转移到头部
            ListIterator it = ret->second;
            _LRUList.splice(_LRUList.begin(), _LRUList, it);
            return it->second;
        }
        else return -1;
    }
    
    void put(int key, int value) {
        // 判断是 1.新增 还是 2. 更新
        auto ret = _hashMap.find(key);
        if(ret == _hashMap.end()) // 新增数据
        {
            // 容量已满
            if(_capacity == _hashMap.size())
            {
                pair<int, int> LRUData = _LRUList.back();
                _hashMap.erase(LRUData.first);
                _LRUList.pop_back();
            }
            _LRUList.push_front(make_pair(key, value));
            _hashMap[key] = _LRUList.begin();
        }
        else // 更新
        {
            // 更新key对应的值
            ListIterator it = ret->second;
            it->second = value;

            //更新key对应值的位置——splice 将节点转移到头部
            _LRUList.splice(_LRUList.begin(), _LRUList, it);
        }
    }
private:
    typedef list<pair<int, int>>::iterator ListIterator;
    //哈希表——查找和更新的时间复杂度为O(1),哈希表中存储的是
    //key和key在_LRUList中的位置(迭代器)
    unordered_map<int, ListIterator> _hashMap;

    list<pair<int,int>> _LRUList;
    size_t _capacity; //容量
};