तुम O(1) get आणि put सह LRU कॅशे कसे डिজाइन करता?

Question

Accepted Answer

**LRU (Least Recently Used) कॅशे** असे आयटम बाहेर काढते जे क्षमता पूर्ण झाल्यावर सर्वांत लांब वेळ प्रवेश केलेले नाही. क्लासिक डिজाइन **hash map** (O(1) लुकअप) सह **doubly linked list** (O(1) पुनर्क्रमांकन) एकत्र करते, **O(1) get आणि put** देते. ## दोन-संरचना डिजाइन ```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` हा स्वतः एक hash map अधिक doubly linked list आहे, वर वर्णन केलेली संरचना अगदी. | ऑपरेशन | वेळ | |---|---| | get | O(1) | | put | O(1) | | space | O(capacity) | ## Doubly linked list का Douubly linked list तुम्हाला **मध्यभागी नोड O(1)** मध्ये अलग करू देते (तुमच्याकडे त्याचे `prev`/`next` आहे), जे singly linked list किंवा array ला O(n) shift व्यतिरिक्त अशक्य आहे. ## हे महत्वाचे का आहे LRU कॅशे डेटाबेस, वेब सर्व्हर आणि CPU समोर बसते गरम डेटा वेगवान आणि मेमरी बद्ध ठेवण्यासाठी. ही समस्या वरिष्ठ मुलाखतीचा मानक आहे कारण ते दोन संरचना एकत्र करण्याची चाचणी करते म्हणून *एकाची कमजोरी दुसर्याद्वारे कव्हर केली जाते* — एक मुख्य प्रणाली-डिजाइन कौशल्य.