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
https://leetcode.cn/problems/OrIXps/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 ^ 5次get和put
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
// 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
// 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
// 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
// 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
// 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
// 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
// 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
// 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
// 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
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）。
