Hvordan designer du en LRU cache med O(1) get og put?

Question

Accepted Answer

En **LRU (Least Recently Used) cache** fjerner den vare, der ikke er blevet tilgået i længst tid, når den når kapacitet. Det klassiske design kombinerer et **hash map** (O(1) opslag) med en **doubly linked list** (O(1) omordning), hvilket giver **O(1) get og put**. ## Det to-struktur design ```text HashMap: key -> node DLL (recency order): MRU <-> ... <-> LRU get/put: map finds node move touched node to front (MRU) in O(1); DLL splices it evict the tail (LRU) when full to the front in O(1) ``` ## Kode ```python from collections import OrderedDict class LRUCache: def __init__(self, capacity): self.cap = capacity self.cache = OrderedDict() # preserves access order def get(self, key): # O(1) if key not in self.cache: return -1 self.cache.move_to_end(key) # mark as most recently used return self.cache[key] def put(self, key, value): # O(1) if key in self.cache: self.cache.move_to_end(key) self.cache[key] = value if len(self.cache) > self.cap: self.cache.popitem(last=False) # evict least recently used ``` `OrderedDict` er i sig selv et hash map plus en doubly linked list, præcis den struktur, der er beskrevet ovenfor. | Operation | Tid | |---|---| | get | O(1) | | put | O(1) | | space | O(capacity) | ## Hvorfor doubly linked list En doubly linked list lader dig **frakoble en node fra midten i O(1)** (du har dens `prev`/`next`), hvilket er umuligt med en singly linked list eller array uden et O(n) skift. ## Hvorfor det vigtig LRU caches sidder foran databaser, webservere og CPU'er for at holde hot data hurtig og hukommelse begrænset. Dette problem er en typisk senior interview-spørgsmål, fordi det tester kombinering af to strukturer, så *hver dækkender svaghed i den anden* - en vigtig systemdesign-færdighed.