C++ 實現LRU 與 LFU 的緩存算法
一、LRU (Least Recently Used) 緩存
詳見 LeetCode Q146
https:// leetcode.com/problems/l ru-cache/
https:// leetcode-cn.com/problem s/lru-cache/
問題描述:
LRUCache(int capacity)
以正整數作為容量capacity
初始化LRU
緩存int get(int key)
如果關鍵字key
存在於緩存中,則返回關鍵字的值,否則返回 -1 。void put(int key, int value)
如果關鍵字已經存在,則變更其數據值;如果關鍵字不存在,則插入該組「關鍵字-值」。當緩存容量達到上限時,它應該在寫入新數據之前刪除最久未使用的數據值,從而為新的數據值留出空間。- 在
O(1)
時間復雜度內完成這兩種操作
所用數據結構:
為瞭使 get
與 put
操作的平均時間復雜度為 O(1)
,
使用雙向鏈表 (STL list
) 儲存緩存內容 (使用 STL pair {key, value
} 表示),
使用哈希表 (STL unordered_map
) 儲存 “key” 到 “pair iterator
” 的關系映射
typedef std::unordered_map<int, std::list<std::pair<int, int> >::iterator > CacheMap; typedef std::list<std::pair<int, int> > LRUList;
流程圖:
- get function
- put function
代碼實現:
#include <iostream> #include <list> #include <unordered_map> typedef std::unordered_map<int, std::list<std::pair<int, int> >::iterator > CacheMap; typedef std::list<std::pair<int, int> > LRUList; class LRUCache { public: LRUCache(int capacity) { _capacity = capacity; } int get(int key) { CacheMap::iterator cache_itr = _cacheMap.find(key); if (cache_itr == _cacheMap.end() ) { return -1; } makeMostRecent(key, _cacheMap[key]->second); LRUList::iterator list_itr = _LRUList.end(); --list_itr; return list_itr->second; } void put(int key, int value) { if (_cacheMap.find(key) != _cacheMap.end()) { makeMostRecent(key, value); return; } if (_LRUList.size() >= _capacity) { removeLeastRecentTask(key); } addMostRecentTask(key, value); } private: void makeMostRecent(int key, int value) { _LRUList.erase(_cacheMap[key]); _LRUList.push_back(std::make_pair(key, value) ); LRUList::iterator list_itr = _LRUList.end(); _cacheMap[key] = --list_itr; } void removeLeastRecentTask(int key) { int keyToRemove = _LRUList.begin()->first; _LRUList.erase(_LRUList.begin()); _cacheMap.erase(keyToRemove); } void addMostRecentTask(int key, int value) { _LRUList.push_back(std::make_pair(key, value) ); LRUList::iterator list_itr = _LRUList.end(); _cacheMap[key] = --list_itr; } int _capacity; LRUList _LRUList; CacheMap _cacheMap; }; // n = item number of the LRU list, aka capacity // Time: O(1) // Space: O(n)
運行測試:
Accepted
22/22 cases passed (412 ms)
Your runtime beats 69.45 % of cpp submissions
Your memory usage beats 48.08 % of cpp submissions (174 MB)
二、LFU (Least Frequently Used) 緩存
詳見 LeetCode Q460
https:// leetcode.com/problems/l fu-cache/
https:// leetcode-cn.com/problem s/lru-cache/
問題描述:
LFUCache(int capacity)
– 用數據結構的容量capacity
初始化對象int get
(int key
) – 如果鍵存在於緩存中,則獲取鍵的值,否則返回 -1 。void put
(int key
,int value
) – 如果鍵已存在,則變更其值;如果鍵不存在,請插入鍵值對。當緩存達到其容量時,則應該在插入新項之前,使最不經常使用的項無效。在此問題中,當存在平局(即兩個或更多個鍵具有相同使用頻率)時,應該去除 最近最久未使用的鍵。- 「項的使用次數」就是自插入該項以來對其調用 get 和 put 函數的次數之和。使用次數會在對應項被移除後置為 0 。
- 為瞭確定最不常使用的鍵,可以為緩存中的每個鍵維護一個 使用計數器 。使用計數最小的鍵是最久未使用的鍵。
- 當一個鍵首次插入到緩存中時,它的使用計數器被設置為 1 (由於 put 操作)。對緩存中的鍵執行 get 或 put 操作,使用計數器的值將會遞增。
所用數據結構:
為瞭使 get
與 put
操作的平均時間復雜度為 O(1) ,
- 使用哈希表 (STL
unordered_map
) 儲存 “key
” 到 “value
與frequency
” 的關系映射 (使用 STLpair {value, frequency
} 表示) - 使用哈希表 (STL
unordered_map
) 儲存 “frequency
” 到 “對應所有的key
” 的關系映射 (key 使用雙向鏈表,即 STL list 存儲) - 使用哈希表 (STL
unordered_map
) 儲存 “key
” 到 “2 中存儲 key 所用 list 中對應iterator
” 的關系映射
std::unordered_map<int, std::pair<int, int> > _keyToValFreq; std::unordered_map<int, std::list<int> > _freqToKeyList; std::unordered_map<int, std::list<int>::iterator> _keyToKeyListItr;
流程圖:
- get function
- put function
代碼實現:
#include <iostream> #include <list> #include <unordered_map> class LFUCache { public: LFUCache(int capacity) { _capacity = capacity; } int get(int key) { // If key doesn't exist if (_keyToValFreq.find(key) == _keyToValFreq.end() ) { return -1; } // if key exists, increse frequency and reorder increaseFreq(key); return _keyToValFreq[key].first; } void put(int key, int value) { if (_capacity <= 0) { return; } // if key exists if (_keyToValFreq.find(key) != _keyToValFreq.end() ) { _keyToValFreq[key].first = value; increaseFreq(key); return; } // if key doesn't exist // if reached hashmap's max capacity, remove the LFU (LRU if tie) if (_keyToValFreq.size() >= _capacity) { int keyToRmove = _freqToKeyList[_minFreq].back(); _freqToKeyList[_minFreq].pop_back(); _keyToKeyListItr.erase(keyToRmove); _keyToValFreq.erase(keyToRmove); } // Then add new item with frequency = 1 addNewTask(key, value); } void increaseFreq(int key) { // Update the freq in the pair int oldFreq = _keyToValFreq[key].second++; // Detele the old freq by itr _freqToKeyList[oldFreq].erase(_keyToKeyListItr[key]); // Add the new freq and re-assign the itr _freqToKeyList[oldFreq + 1].emplace_front(key); _keyToKeyListItr[key] = _freqToKeyList[oldFreq + 1].begin(); // Update minFreq if (_freqToKeyList[_minFreq].empty() ) { _minFreq = oldFreq + 1; } } void addNewTask(int key, int value) { // Add new key-value/freq to all hashmaps _minFreq = 1; _keyToValFreq[key] = std::make_pair(value, _minFreq); _freqToKeyList[_minFreq].emplace_front(key); _keyToKeyListItr[key] = _freqToKeyList[_minFreq].begin(); } private: int _capacity; int _minFreq; std::unordered_map<int, std::pair<int, int> > _keyToValFreq; std::unordered_map<int, std::list<int> > _freqToKeyList; std::unordered_map<int, std::list<int>::iterator> _keyToKeyListItr; }; // n = item number of the LFU, aka capacity // Time: O(1) // Space: O(n)
運行測試:
Accepted
24/24 cases passed (464 ms)
Your runtime beats 72.37 % of cpp submissions
Your memory usage beats 45.99 % of cpp submissions (186.7 MB)
到此這篇關於C++ 實現LRU 與 LFU 的緩存算法的文章就介紹到這瞭,更多相關C++ 實現LRU 與 LFU 緩存算法內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!
推薦閱讀:
- C++實現LeetCode(146.近最少使用頁面置換緩存器)
- C++ pair方法與vector方法案例詳解
- C++中最常用的容器用法與排序實例
- JavaScript雙向鏈表實現LFU緩存算法
- C++ STL _ Vector使用及模擬實現