菜鸟笔记
提升您的技术认知

如何实现lru算法?-ag真人游戏

阅读 : 602

lru是一种缓存淘汰机制策略。

计算机的缓存容量有限,如果缓存满了就要删除一些内容,给新的内容腾位置。但是要删除哪些内容呢?我们肯定希望删掉那些没有用的缓存,而把有用的数据继续留在缓存中,方便之后继续使用。那么,什么样的数据我们可以判定为有用的数据呢?

lru缓存淘汰算法就是一种常用策略。lru的全称是least recently used,也就是说我们认为最近使用过的数据应该是有用的,很久都没用过的数据应该是无用的,缓存满了就优先删除那些很久没有用过的数据。

举个简单的例子,安卓手机都可以吧软件放在后台运行,比如我先后打开了“设置”、“手机管家”、“日历”,那么现在他们在后台排列的顺序是这样的:

假设我的手机只允许我同时打开3个应用程序,现在已经满了。那么如果我新开了一个应用“时钟”,就必须关闭一个应用为“时钟”腾出一个位置,那么关闭哪个呢?

按照lru的策略,就关最底下的“手机管家”,因为那是最久未使用的,然后把新开的应用放到最上面:

现在你应该理解lru策略了,当然还有其他缓存策略,比如不要按访问的时序来淘汰,而是按访问频率(lfu策略)来淘汰等等,各有应用场景。本文讲解lru算法策略。

leetcode上有一道lru算法设计的题目,让你设计一种数据结构,首先构造函数接受一个capacity参数作为缓存的最大容量,然后实现两个api:

一个是 put(key, val) 方法插入新的或更新已有键值对,如果缓存已满的话,要删除那个最久没用过的键值对以腾出位置插入。

另一个是 get(key) 方法获取 key 对应的 val,如果 key 不存在则返回 -1。

需要注意的是,get 和 put 方法必须都是 o(1) 的时间复杂度,我们举个具体例子来看看 lru 算法怎么工作。

/* 缓存容量为 2 */
lrucache cache = new lrucache(2);
// 你可以把 cache 理解成一个队列
// 假设左边是队头,右边是队尾
// 最近使用的排在队头,久未使用的排在队尾
// 圆括号表示键值对 (key, val)
cache.put(1, 1);
// cache = [(1, 1)]
cache.put(2, 2);
// cache = [(2, 2), (1, 1)]
cache.get(1);       // 返回 1
// cache = [(1, 1), (2, 2)]
// 解释:因为最近访问了键 1,所以提前至队头
// 返回键 1 对应的值 1
cache.put(3, 3);
// cache = [(3, 3), (1, 1)]
// 解释:缓存容量已满,需要删除内容空出位置
// 优先删除久未使用的数据,也就是队尾的数据
// 然后把新的数据插入队头
cache.get(2);       // 返回 -1 (未找到)
// cache = [(3, 3), (1, 1)]
// 解释:cache 中不存在键为 2 的数据
cache.put(1, 4);    
// cache = [(1, 4), (3, 3)]
// 解释:键 1 已存在,把原始值 1 覆盖为 4
// 不要忘了也要将键值对提前到队头

分析上面的操作过程,要让 put 和 get 方法的时间复杂度为 o(1),我们可以总结出 cache 这个数据结构必要的条件:查找快,插入快,删除快,有顺序之分。

因为显然 cache 必须有顺序之分,以区分最近使用的和久未使用的数据;而且我们要在 cache 中查找键是否已存在;如果容量满了要删除最后一个数据;每次访问还要把数据插入到队头。

那么,什么数据结构同时符合上述条件呢?哈希表查找快,但是数据无固定顺序;链表有顺序之分,插入删除快,但是查找慢。所以结合一下,形成一种新的数据结构:哈希链表

lru 缓存算法的核心数据结构就是哈希链表,双向链表和哈希表的结合体。这个数据结构长这样:

思想很简单,就是借助哈希表赋予了链表快速查找的特性嘛:可以快速查找某个 key 是否存在缓存(链表)中,同时可以快速删除、添加节点。回想刚才的例子,这种数据结构是不是完美解决了 lru 缓存的需求?

也许读者会问,为什么要是双向链表,单链表行不行?另外,既然哈希表中已经存了 key,为什么链表中还要存键值对呢,只存值不就行了?

想的时候都是问题,只有做的时候才有答案。这样设计的原因,必须等我们亲自实现 lru 算法之后才能理解,所以我们开始看代码吧~

很多编程语言都有内置的哈希链表或者类似 lru 功能的库函数,但是为了帮大家理解算法的细节,我们用 java 自己造轮子实现一遍 lru 算法。

首先,我们把双链表的节点类写出来,为了简化,key 和 val 都认为是 int 类型:

class node {
    public int key, val;
    public node next, prev;
    public node(int k, int v) {
        this.key = k;
        this.val = v;
    }
}

然后依靠我们的 node 类型构建一个双链表,实现几个要用到的 api,这些操作的时间复杂度均为 o(1) :

class doublelist {  
    // 在链表头部添加节点 x
    public void addfirst(node x);
    // 删除链表中的 x 节点(x 一定存在)
    public void remove(node x);
    // 删除链表中最后一个节点,并返回该节点
    public node removelast();
    // 返回链表长度
    public int size();
}

ps:这就是普通双向链表的实现,为了让读者集中精力理解 lru 算法的逻辑,就省略链表的具体代码。

到这里就能回答刚才“为什么必须要用双向链表”的问题了,因为我们需要删除操作。删除一个链表节点不光要得到该节点本身的指针,也需要操作其前驱节点的指针,而双向链表才能支持直接查找前驱,保证操作的时间复杂度 o(1)。

有了双向链表的实现,我们只需要在 lru 算法中把它和哈希表结合起来即可。我们先把逻辑理清楚:

如果能够看懂上述逻辑,翻译成代码就很容易理解了:

这里就能回答之前的问题“为什么要在链表中同时存储 key 和 val,而不是只存储 val”,注意这段代码:

if (cap == cache.size()) {
    // 删除链表最后一个数据
    node last = cache.removelast();
    map.remove(last.key);
}

当缓存容量已满,我们不仅仅要删除最后一个 node 节点,还要把 map 中映射到该节点的 key 同时删除,而这个 key 只能由 node 得到。如果 node 结构中只存储 val,那么我们就无法得知 key 是什么,就无法删除 map 中的键,造成错误。

至此,你应该已经掌握 lru 算法的思想和实现了,很容易犯错的一点是:处理链表节点的同时不要忘了更新哈希表中对节点的映射。

网站地图