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 ^ 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。

// 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。

// 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。

// 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。

// 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）。

// 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。

// 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。

// 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。

// 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。

// 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：

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。