一、LRU 缓存算法
1. 哈希表 + 双向链表
问题背景 设计一个满足 LRU（最近最少使用）原则的缓存结构。当缓存达到容量上限时，需要淘汰最久未使用的元素。
核心思路 单纯使用数组或链表无法同时满足 O(1) 的查找和删除效率。最佳方案是组合数据结构：
- 哈希表（HashMap）：存储 key 到节点的映射，实现 O(1) 快速查找。
- 双向链表：维护节点的使用顺序。最近访问的节点移至头部，最久未使用的在尾部，淘汰时直接移除尾部。
- 哑头/哑尾节点：作为哨兵，简化边界处理，避免判断空指针或首尾节点的特殊逻辑。
代码实现
class LRUCache {
// 双向链表节点类
class DLinkedNode {
int key;
int value;
DLinkedNode prev;
DLinkedNode next;
public DLinkedNode() {}
public DLinkedNode(int _key, int _value) {
this.key = _key;
this.value = _value;
}
}
private Map<Integer, DLinkedNode> cache = new HashMap<>();
private int size;
private int capacity;
private DLinkedNode head;
private DLinkedNode tail;
public LRUCache(int capacity) {
this.size = 0;
this.capacity = capacity;
head = new DLinkedNode();
tail = new ();
head.next = tail;
tail.prev = head;
}
{
cache.get(key);
(node == ) {
-;
}
moveToHead(node);
node.value;
}
{
cache.get(key);
(node == ) {
(key, value);
cache.put(key, newNode);
addToHead(newNode);
size++;
(size > capacity) {
removeTail();
cache.remove(tailNode.key);
size--;
}
} {
node.value = value;
moveToHead(node);
}
}
{
node.prev.next = node.next;
node.next.prev = node.prev;
}
{
node.prev = head;
node.next = head.next;
head.next.prev = node;
head.next = node;
}
{
removeNode(node);
addToHead(node);
}
DLinkedNode {
tail.prev;
removeNode(res);
res;
}
}
