在文章开头我们先放两个链接，因为在实现LRU时会直接复用Java提供的容器：
【Java容器源码】LinkedList源码分析…【Java容器源码】LinkedHashMap源码分析…单向链表，从head出，tail进入（理解成队列，左进（tail）右出（head）。
* 查找: 1.查找：遍历得到这个数据对应的结点 2.移动：将其从原来的位置删除，然后再插入到链表的尾部 * 添加：查找 + （移动/删除） - 缓存中已存在：移动到队尾 - 缓存中不存在： - 缓存未满，则将此结点直接插入到链表的尾部 - 缓存已满，则链表**头结点删除**，将新的数据结点插入链表的尾部 * 删除: 1.查找：遍历找到要删除节点 2.删除：用前驱节点删除这三个操作都要涉及“查找”操作。所以，如果单纯地采用链表的话，时间复杂度只能是 O(n)。
// 直接继承Java的LinkedList，就不用再自己实现链表 public class LinkedLRU extends LinkedList<String> { private int capcity; public LinkedLRU (int capcity) { this.capcity = capcity; } @Override public boolean add(String str) { // 如果队列中包含要添加元素 if (contains(str)) { // 删除，然后再插入到队尾 remove(str); // 如果队列中不包含要添加元素 } else { // 如果队列已经满乐，就将元素队首删除 if (size() == capcity) { removeFirst(); } } // 尾插 return super.add(str); } @Override public String get(int index) { // 查出结果 String item = super.get(index); // 将当前元素删除 remove(index); // 然后再插入到尾部 add(item); return item; } }测试如下：
public class TestLRU { public static void main(String[] args) { // 设置容量大小为3，并加入3个元素 LinkedLRU lru = new LinkedLRU(3); lru.add("a"); lru.add("b"); lru.add("c"); System.out.println("还未做任何操作：" + lru); // 访问其中一个元素 // 按照lru的逻辑，被访问的元素要被挪动到队尾 lru.get(0); System.out.println("访问已存在元素(a)：" + lru); // 添加一个缓存中已经有了的元素 // 按照lru的逻辑，该元素会被挪到队尾 lru.add("b"); System.out.println("添加一个已存在的元素(b)：" + lru); // 添加一个缓存没有的元素，但此时队列已经满了 // 按照lru的逻辑，队首的元素会被删除 lru.add("d"); System.out.println("超过容量添加一个元素：" + lru); } }结果如下：
既然单纯使用链表实现LRU的时间复杂时O(n），那有什么办法优化吗？可以的，因为主要时间都浪费在查找上了，所以我们可以在链表的基础上再加上哈希表，因为哈希表的查询时间复杂度是O(1)，可以极大程度上优化查询时间。
结构图如下：
* 查找： 1.查找：散列表中查找数据的时间复杂度接近 O(1)，所以通过散列表，我们可以很快地在缓存中找到一个数据。 2.移动：当找到数据之后，我们还需要将它移动到双向链表的尾部。 * 添加：找 + （移动/删除） - 缓存中存在：将此节点移动到双向链表的尾部； - 缓存中不存在： - 缓存已满：将双向链表头部的结点删除，然后再将数据放到链表的尾部； - 缓存未满：直接将数据新添到链表的尾部。 * 删除： 1.查找：借助散列表，我们可以在 O(1) 时间复杂度里找到要删除的结点。 2.删除：因为我们的链表是双向链表， 双向链表可以通过前驱指针 O(1) 时间复杂度获取前驱结点，所以在双向链表中，删除结点 只需要 O(1) 的时间复杂度。这整个过程涉及的查找操作都可以通过散列表来完成。所以其他的操作，比如删除头结点、链表尾部插入数据等，都可以在 O(1) 的时间复杂度内完成。所以，这三个操作的时间复杂度都 是 O(1)。
// 通过LinkedListMap来实现（Map + List） class LRUCache extends LinkedHashMap<Integer, Integer>{ private int capacity; public LRUCache(int capacity) { super(capacity, 0.75F, true); this.capacity = capacity; } public int get(int key) { /* if ((v = get(k)) == null) return -1; else return v; */ // 没找到就返回默认 return super.getOrDefault(key, -1); } public void put(int key, int value) { // put方法实际上是调用HashMap的，但是LinkedHashMap重写了afterNodeAccess方法，所以无论要添加元素是否存在，都会被移到队尾 super.put(key, value); } // 重写removeEldestEntry来定义什么时候进行删除操作 @Override protected boolean removeEldestEntry(Map.Entry<Integer, Integer> eldest) { return size() > capacity; } }至此，实现了一个高效的、支持 LRU 缓存淘汰算法的缓存系统原型。
