LeetCode:LRU Cache

题目大意：设计一个用于LRU cache算法的数据结构。题目链接。关于LRU的基本知识可参考here

分析：为了保持cache的性能，使查找，插入，删除都有较高的性能，我们使用双向链表（std::list）和哈希表（std::unordered_map）作为cache的数据结构，因为：

双向链表插入删除效率高（单向链表插入和删除时，还要查找节点的前节点）
哈希表保存每个节点的地址，可以基本保证在O(1)时间内查找节点

具体实现细节：

越靠近链表头部，表示节点上次访问距离现在时间最短，尾部的节点表示最近访问最少
查询或者访问节点时，如果节点存在，把该节点交换到链表头部，同时更新hash表中该节点的地址
插入节点时，如果cache的size达到了上限，则删除尾部节点，同时要在hash表中删除对应的项。新节点都插入链表头部。本文地址

代码如下：

 1 struct CacheNode
 2 {
 3     int key;
 4     int value;
 5     CacheNode(int k, int v):key(k), value(v){}
 6 };
 7 
 8 class LRUCache{
 9 public:
10     LRUCache(int capacity) {
11         size = capacity;
12     }
13     
14     int get(int key) {
15         if(cacheMap.find(key) == cacheMap.end())
16             return -1;
17         else
18         {
19             //把当前访问的节点移到链表头部,并且更新map中该节点的地址
20             cacheList.splice(cacheList.begin(), cacheList, cacheMap[key]);
21             cacheMap[key] = cacheList.begin();
22             return cacheMap[key]->value;
23         }
24         
25     }
26     
27     void set(int key, int value) {
28         if(cacheMap.find(key) == cacheMap.end())
29         {
30             if(cacheList.size() == size)
31             {//删除链表尾部节点（最少访问的节点）
32                 cacheMap.erase(cacheList.back().key);
33                 cacheList.pop_back();
34             }
35             //插入新节点到链表头部,并且更新map中增加该节点
36             cacheList.push_front(CacheNode(key, value));
37             cacheMap[key] = cacheList.begin();
38         }
39         else
40         {//更新节点的值，把当前访问的节点移到链表头部,并且更新map中该节点的地址
41             cacheMap[key]->value = value;
42             cacheList.splice(cacheList.begin(), cacheList, cacheMap[key]);
43             cacheMap[key] = cacheList.begin();
44         }
45         
46     }
47 private:
48     list<CacheNode> cacheList;
49     unordered_map<int, list<CacheNode>::iterator>cacheMap;
50     int size;
51 };