文章目录
- 什么是LRU？
- 设计思路
- 代码实现
LRU是我在面试过程中遇到的比较多的算法题了，并且我自己的项目中也手写了LRU算法，所以觉得还是有必要掌握一下这个重要的算法的。
什么是LRU？
LRU是一种缓存淘汰策略。
我们知道，计算机的缓存容量有限，如果缓存占用满了，那么我们就需要删除一些旧数据，并且把新数据放进来，那么问题就是，我们应该选择删除什么数据呢？或者说，我们应该使用一种什么样子的策略来删除数据呢？
LRU 缓存淘汰算法就是一种常用策略。LRU 的全称是 Least Recently Used，也叫“最近最少使用”算法，它意味着我们需要删除的数据是那些在最近一段时间内，最少使用的哪些数据，因为它认为在这段时间内使用最频繁的数据还有可能继续被使用，而那些很久没有被使用的数据很可能不会再次被使用。
这就是LRU（Least Recently Used）策略。与此同时还有其他缓存淘汰策略，比如按访问频率（LFU 策略）来淘汰等等，各有应用场景。本文讲解 LRU 算法策略。
并且，我们使用的这种算法，不能因为使用了这种算法，导致降低对缓存这种高速缓冲区的访问速度，因此，我们要求，我们的算法的时间复杂度是O(1)。
也就是我们放入以及查询元素的时间复杂度都必须是O(1)。
设计思路
从上面的对LRU的了解我们可以知道，LRU算法需要满足如下几个要求：
1：首先这个数据结构必须是有时序的，以区分最近使用的和很久没有使用的数据，当容量满了之后，要删除最久未使用的那个元素。
2：要在这个数据结构中快速找到某个 key 是否存在，并返回其对应的 value。
3：每次访问这个数据结构中的某个 key，需要将这个元素变为最近使用的。也就是说，这个数据结构要支持在任意位置快速插入和删除元素。
对于查找，我们知道Hash表的查找速度是很快的，但是并不满足时序问题。
对于任意位置的插入，以及顺序问题，我们可以想到链表，但是链表的访问并不是随机的，是需要顺序遍历的。
所以，我们得让哈希表和链表结合，形成一个新的数据结构，那就是：哈希链表。
这也就是为什么大部分的LRUCache都是直接基于LinkedHashMap了。
当然，面试的时候肯定不允许直接用LinkedHashMap来做LRUCache。
借助这个结构，我们再来分析一下上面的三个条件：
1：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。
2：对于某一个 key ，可以通过哈希表快速定位到链表中的节点，从而取得对应的 value。
3：链表显示是支持在任意位置快速插入和删除的，修改指针就行。但是单链表无非按照索引快速访问某一个位置的元素，都是需要遍历链表的，所以这里借助哈希表，可以通过 key，快速的映射到任意一个链表节点，然后进行插入和删除。
一、为什么这里要使用双向链表，而不是单向链表？
我们在找到了节点，需要删除节点的时候，如果使用单向链表的话，后驱节点的指针是直接能拿到的，但是这里要求时间复杂度是O(1)，要能够直接获取到前驱节点的指针，那么只能使用双向链表。
二、哈希表里面已经保存了 key ，那么链表中为什么还要存储 key 和 value 呢，只存入 value 不就行了？
当我们在删除节点的时候，除了需要删除链表中的节点，还需要删除hash表中的节点，删除哈希表需要知道key，那么这个key从哪里来？那只能从节点里来，所以在节点里key和value都需要存（在删除链表中节点的方法里需要return key，具体见下面的代码）。
代码实现
代码实现
package com.base.learn.cache;
import java.util.HashMap;
/**
* @author: 张锦标
* @date: 2023/5/26 12:32
* LRUCache类
*/
public class LRUCache<V> {
private HashMap<String,Node<V>> map = new HashMap<>();
private Integer limit ;
private Node<V> head;
private Node<V> end;
public LRUCache(Integer limit) {
this.limit = limit;
}
public V get(String key){
//1:从map中获取，如果没有获取到，那么返回null
Node<V> node = map.get(key);
if (node==null){
return null;
}
//2:获取到了,需要将当前节点移动到链表尾部
removeNodeToTail(node);
return node.value;
}
private void removeNodeToTail(Node<V> node) {
//如果已经是队尾的节点无需移动
if (node == end) {
return;
}
//先从原位置删掉
removeNode(node);
//放到链尾
addNodeToTail(node);
}
/**
* 将当前节点放入到链表尾部
* @param node 要放入到链表尾部的节点
*/
private void addNodeToTail(Node<V> node) {
if (end != null) {
end.next = node;
node.pre = end;
node.next = null;
}
end = node;
if (head == null) {
head = node;
}
}
/**
* 删除链表中的节点
* @param node 要删除的节点
* @return 返回被删除的节点对应的key
*/
private String removeNode(Node<V> node) {
if (node == head && node == end) {
//移除唯一的节点
head = null;
end = null;
} else if (node == end) {
//移除尾节点
end = end.pre;
end.next = null;
} else if (node == head) {
//移除头节点
head = head.next;
head.pre = null;
} else {
//移除中间节点
node.pre.next = node.next;
node.next.pre = node.pre;
}
return node.key;
}
public void put(String key,V value){
Node<V> node = map.get(key);
if (node != null) {
//节点已存在更新里面的值
node.value = value;
//移动到链尾
removeNodeToTail(node);
} else {
//不存在，首先判断容量，容量满的情况下先删除不常用的，然后插入新节点，容量不满的情况下直接插入
if (map.size() >= limit) {
//从链表中移除最不常用的
String oldKey = removeNode(head);
//从hashmap中移除
map.remove(oldKey);
}
node = new Node(key, value);
//添加到链尾
addNodeToTail(node);
//添加到hashmap
map.put(key, node);
}
}
public static void main(String[] args) {
LRUCache<String> cache = new LRUCache(2);
cache.put("1", "1");
cache.put("2", "2");
System.out.println(cache.get("1"));
cache.put("3", "3");
System.out.println(cache.get("2"));
cache.put("4", "4");
System.out.println(cache.get("1"));
System.out.println(cache.get("3"));
System.out.println(cache.get("4"));
}
}
class Node<V>{
public Node pre;
public Node next;
public String key;
public V value;
public Node(String key, V value) {
this.key = key;
this.value = value;
}
}
![[高光谱]使用PyTorch的dataloader加载高光谱数据](https://img-blog.csdnimg.cn/1dd84feb013b4e9cafc4ae3bc2379412.png)
