Bagaimana Anda merancang cache LRU dengan O(1) get dan put?

Question

Accepted Answer

Sebuah **cache LRU (Least Recently Used)** mengeluarkan item yang tidak diakses paling lama ketika mencapai kapasitas. Desain klasik menggabungkan **hash map** (O(1) lookup) dengan **doubly linked list** (O(1) penyusunan ulang), memberikan **O(1) get dan put**. ## The two-structure 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) ``` ## Code ```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` adalah hash map ditambah doubly linked list, persis struktur yang dijelaskan di atas. | Operation | Time | |---|---| | get | O(1) | | put | O(1) | | space | O(capacity) | ## Why the doubly linked list Doubbly linked list memungkinkan Anda untuk **melepas simpul dari tengah dalam O(1)** (Anda menyimpan `prev`/`next` nya), yang tidak mungkin dilakukan dengan linked list tunggal atau array tanpa O(n) shift. ## Mengapa ini penting Cache LRU duduk di depan basis data, server web, dan CPU untuk menjaga data panas tetap cepat dan memori terbatas. Masalah ini adalah standar dalam wawancara senior karena menguji menggabungkan dua struktur sehingga *kelemahan satu ditutup oleh yang lain* — keterampilan desain sistem yang kunci.