LRU缓存淘汰算法的详细介绍与具体实现

LRU(Least Recently Used,最近最少使用)是一种基于时间局部性原理的缓存淘汰策略。其核心思想是:最近被访问的数据在未来更可能被再次使用,而最久未被访问的数据应优先被淘汰,从而在有限的缓存空间内保留高价值数据。

数据结构设计

LRU通过 哈希表 + 双向链表 实现高效操作:

1.双向链表(DlinkedNode):维护数据访问顺序,链表头部为最新访问节点,尾部为最久未使用节点;

2.哈希表(HashMap):存储键与链表节点的映射,支持以O(1)的时间复杂度定位节点,使插入、查询、删除操作均能快速完成。

图解:

关键操作流程

1.数据访问(get方法):

· 若数据存在于缓存(哈希表命中):

· 从双向链表中移除该节点;

· 将该节点插入链表头部。

· 若数据不存在(未命中):返回默认值-1。

2.数据插入(put方法):

· 若键已存在:

· 更新节点值;

· 移动节点至链表头部。

· 若键不存在:

· 缓存已满时,删除尾部节点(最久未使用)并移除哈希表对应键;

· 创建新节点插入链表头部,并存入哈希表。

LRU的功能特性

⭐1.添加元素:将新元素插入到队头(表示最近使用);

2.访问/更新元素:将元素从原来的位置删除,再插入到队头(更新使用时间);

3.淘汰元素:当size > capacity,即容量不足时,删除队尾元素(最久未使用)。

LRU算法题实战

LCR 031. LRU 缓存 - 力扣(LeetCode)LCR 031. LRU 缓存 - 运用所掌握的数据结构,设计和实现一个 LRU (Least Recently Used,最近最少使用) 缓存机制 [https://baike.baidu.com/item/LRU] 。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) 如果关键字已经存在,则变更其数据值;如果关键字不存在,则插入该组「关键字-值」。当缓存容量达到上限时,它应该在写入新数据之前删除最久未使用的数据值,从而为新的数据值留出空间。 示例: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 1lRUCache.put(3, 3); // 该操作会使得关键字 2 作废,缓存是 {1=1, 3=3}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 3lRUCache.get(4); // 返回 4 提示: * 1 <= capacity <= 3000 * 0 <= key <= 10000 * 0 <= value <= 105 * 最多调用 2 * 105 次 get 和 put 进阶:是否可以在 O(1) 时间复杂度内完成这两种操作? 注意:本题与主站 146 题相同:https://leetcode-cn.com/problems/lru-cache/ [https://leetcode-cn.com/problems/lru-cache/] https://leetcode.cn/problems/OrIXps/题目描述:

运用所掌握的数据结构,设计和实现一个LRU (Least Recently Used,最近最少使用) 缓存机制

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) 如果关键字已经存在,则变更其数据值;如果关键字不存在,则插入该组「关键字-值」。当缓存容量达到上限时,它应该在写入新数据之前删除最久未使用的数据值,从而为新的数据值留出空间。

示例:

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

lRUCache.put(3, 3); // 该操作会使得关键字 2 作废,缓存是 {1=1, 3=3}

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

提示:

  • 1 <= capacity <= 3000

  • 0 <= key <= 10000

  • 0 <= value <= 105

  • 最多调用 2 * 10 ^ 5getput

class LRUCache {

public LRUCache(int capacity) {

}

public int get(int key) {

}

public void put(int key, int 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);

*/

首先需要定义双向链表节点类:

1.定义双向链表节点类,包含key(对应哈希表的键)、val(缓存实际要存储的值)、prev(双向链表节点的前驱节点)、next(双向链表节点的后继节点),并提供用于初始化的无参构造方法和可用于赋值的有参构造方法。

java 复制代码
// 双向链表节点类
class DlinkedNode {
    int key; // 键
    int val; // 值
    DlinkedNode prev; // 前驱节点
    DlinkedNode next; // 后继节点

    public DlinkedNode() { // 无参构造方法

    }

    public DlinkedNode(int key, int val) { // 有参构造方法
        this.key = key;
        this.val = val;
    }
}

2.定义了LRU的核心成员变量 ,包含负责快速查找的哈希表map(通过key获取节点DlinkedNode)、虚拟头尾节点head和tail(简化对边界的处理,避免链表为空、插入第一个节点、删除最后一个节点的指针操作)、size(记录缓存中实际的节点数,用于判断是否需要淘汰数据)、capacity(缓存的最大容量,由用户设定),共同实现LRU"快速访问 + 动态维护顺序 + 容量管理"的核心需求。

java 复制代码
// 哈希表(键,双向链表节点),用于快速查找节点
private Map<Integer, DlinkedNode> map = new HashMap<>();
// 虚拟头节点,简化边界操作
private DlinkedNode head;
// 虚拟尾节点
private DlinkedNode tail;
// 当前元素数量
private int size;
// 缓存最大容量
private int capacity;

3.让当前节点的前驱节点的后继指针指向当前节点的后继节点,让当前节点的后继节点的前驱指针指向当前节点的前驱节点,即绕过当前节点,从双向链表中移除node节点。

java 复制代码
// 从双向链表中删除指定节点(跳过当前节点)
private void remove(DlinkedNode node) {
    node.prev.next = node.next;
    node.next.prev = node.prev;
}

4.首先让新节点的前驱指针指向虚拟头节点head,然后让新节点的后继指针指向head原本的下一个节点,再让原第一个节点head.next的前驱指针转而指向新节点,最后让虚拟头节点head的后继指针指向新节点,目的是将指定节点插入到虚拟头节点head之后,作为链表的第一个实际节点。

java 复制代码
// 将节点插入到双向链表的头部
private void insertToHead(DlinkedNode node) {
    node.prev = head;
    node.next = head.next;
    head.next.prev = node;
    head.next = node;
}

5.调用remove(node)方法,将node节点从当前所在的位置从双向链表中移除(断开与前后的连接),调用insertToHead(node)方法,将刚才删除的节点重新插入到双向链表的头部(建立该节点与原头节点的连接)。

java 复制代码
// 将节点移动到双向链表的头部
private void moveToHead(DlinkedNode node) {
    remove(node); // 先删除后插入
    insertToHead(node);
}

6.首先定位尾部节点,tail为虚拟尾节点,真正的尾部节点为尾指针的前一个节点(tail.prev),用target保存这个要删除的有效节点,再调用remove(target)删除节点,最后返回target。

java 复制代码
// 删除尾部节点
private DlinkedNode removeTail() {
    DlinkedNode target = tail.prev;
    remove(target);
    return target;
}

7.初始方法LRUCache:

this.size = 0;

表示当前缓存中存储的有效数据数量为0(初始为空)。

this.capacity = capacity;

记录缓存的最大容量(即最多能存储的数据个数),由外部传入并赋值。

head = new DlinkedNode();

tail = new DlinkedNode();

创建两个虚拟节点,分别作为链表的头哨兵和尾哨兵。

head.next = tail;

tail.prev = head;

连接头哨兵和尾哨兵,形成一个初始的完整闭环空链表结构。

java 复制代码
// LRU初始化
public LRUCache(int capacity) {
    this.size = 0;
    this.capacity = capacity;
    head = new DlinkedNode();
    tail = new DlinkedNode();
    head.next = tail;
    tail.prev = head;
}

8.LRU的get()方法详解:

通过哈希表的key查找对应的双向链表节点node,如果node为空,说明缓存中没有该键对应的记录,返回-1,如果node存在,调用moveToHead(node)将该节点移动到双向链表的头部,再返回找到的节点存储的值。

java 复制代码
// 获取LRU中指定键的值
public int get(int key) {
    DlinkedNode node = map.get(key);
    if (node == null) return -1; // 节点不存在
    moveToHead(node); // 节点存在,标记为最近使用
    return node.val;
}

9.LRU的put()方法详解:

DlinkedNode node = map.get(key);

通过map.get(key)查找键对应的节点node。

DlinkedNode newNode = new DlinkedNode(key, value);

map.put(key, newNode);

insertToHead(newNode);

size++;

若键不存在,创建新节点newNode,存储键值对(key, value),将新节点存入哈希表(方便后续查找使用),再调用insertToHead(newNode)将新节点插入双向链表头部,缓存当前大小size自增+1。

if (size > capacity) {

DlinkedNode del = removeTail();

map.remove(del.key);

size--;

}

若键不存在,当size > capacity时,调用removeTail()删除双向链表的尾部节点,并删除哈希表中该节点的键,最后size自减-1,保证缓存大小不超过容量。

node.val = value;

moveToHead(node);

若键已存在,更新节点的值,用value覆盖原来的val,再调用moveToHead(node)方法将该节点移向双向链表的头部,哈希表会自动同步此处的更新,无需额外操作。

java 复制代码
// 向LRU中插入或更新键值对
public void put(int key, int value) {
    DlinkedNode node = map.get(key);
    if (node == null) {
        DlinkedNode newNode = new DlinkedNode(key, value);
        map.put(key, newNode);
        insertToHead(newNode);
        size++;
        if (size > capacity) { // 超出容量则需淘汰最久未使用的元素
            DlinkedNode del = removeTail();
            map.remove(del.key);
            size--;
        }
    } else { // 节点存在,更新值并移到头部
        node.val = value;
        moveToHead(node);
    }
}

LRU实现完整源码:

java 复制代码
class DlinkedNode {
    int key;
    int val;
    DlinkedNode prev; 
    DlinkedNode next; 

    public DlinkedNode() { 

    }

    public DlinkedNode(int key, int val) { 
        this.key = key;
        this.val = val;
    }
}

class LRUCache {
    private Map<Integer, DlinkedNode> map = new HashMap<>();
    private DlinkedNode head;
    private DlinkedNode tail;
    private int size;
    private int capacity;

    public LRUCache(int capacity) {
        this.size = 0;
        this.capacity = capacity;
        head = new DlinkedNode();
        tail = new DlinkedNode();
        head.next = tail;
        tail.prev = head;
    }
    
    public int get(int key) {
        DlinkedNode node = map.get(key);
        if (node == null) return -1; 
        moveToHead(node); 
        return node.val;
    }
    
    public void put(int key, int value) {
        DlinkedNode node = map.get(key);
        if (node == null) {
            DlinkedNode newNode = new DlinkedNode(key, value);
            map.put(key, newNode);
            insertToHead(newNode);
            size++;
            if (size > capacity) { 
                DlinkedNode del = removeTail();
                map.remove(del.key);
                size--;
            }
        } else { 
            node.val = value;
            moveToHead(node);
        }
    }

    private void remove(DlinkedNode node) {
        node.prev.next = node.next;
        node.next.prev = node.prev;
    }

    private void insertToHead(DlinkedNode node) {
        node.prev = head;
        node.next = head.next;
        head.next.prev = node;
        head.next = node;
    }

    private void moveToHead(DlinkedNode node) {
        remove(node);
        insertToHead(node);
    }

    private DlinkedNode removeTail() {
        DlinkedNode target = tail.prev;
        remove(target);
        return target;
    }
}

代码直观理解:

LRU的优势分析

1.贴合数据访问的局部性特点:实际中数据访问常呈现短期集中的热点(如当前操作的数据),LRU优先保留近期被访问的数据,能高效命中这些短期高频使用的数据,符合实际场景的访问规律。

2.动态响应性好:当访问模式变化(如新热点出现),可快速淘汰旧冷门数据,为新数据腾空间,适应变化灵活。

3.实现高效低成本:通过哈希表+双向链表,可在O(1)时间完成查找、更新和淘汰操作,无需复杂统计,资源消耗低。

4.命中率较优:相比FIFO(先进先出),避免盲目淘汰有用老数据,相比LFU(最不经常使用),更易更新新热点,在多数场景下命中率较高,平衡实用与性能。

实际应用场景

**·**操作系统的内存页面置换;

**·**数据库缓冲池;

**·**Web服务器/浏览器缓存;

**·**移动端应用(如图片缓存)。

相关推荐
zfoo-framework4 分钟前
线上redis的使用
数据库·redis·缓存
dlraba8029 分钟前
基于 OpenCV 与 sklearn 的数字识别:KNN 算法实践
opencv·算法·sklearn
FC_nian10 分钟前
IDEA配置(Maven)
java·maven·intellij-idea
yzzzzzzzzzzzzzzzzz28 分钟前
leetcode热题——全排列
算法·回溯·全排列
汤姆yu34 分钟前
基于springboot的快递分拣管理系统
java·spring boot·后端
王柏龙35 分钟前
mongodb中的哈希索引详解
算法·mongodb·哈希算法
NAGNIP37 分钟前
GPT1:通用语言理解模型的开端
后端·算法
NAGNIP42 分钟前
GPT-2:让语言模型一统多任务学习江湖
算法
都都学算法43 分钟前
【代码走读】DETR-Facebook AI-ECCV 2020
算法
都都学算法44 分钟前
【论文通读】OmniDrive-NVIDIA-CVPR 2025
算法