ARTS-13-LRU算法的学习

本文介绍了一种基于Java实现的LRU缓存算法。该算法通过双向链表维护缓存项,确保最近最少使用的项被及时淘汰。文章提供了完整的代码示例,并展示了如何在实际场景中使用该缓存。

概述:
左耳朵耗子专栏《左耳听风》 用户自发每周完成一个ARTS:

1.Algorithm:每周至少做一个 leetcode 的算法题

2.Review:阅读并点评至少一篇英文技术文章

3.Tip:学习至少一个技术技巧

4.Share:分享一篇有观点和思考的技术文章

Algorithm
题目概述:

实现一段lru缓存的功能

package 算法部分.缓存淘汰算法.LRU;

import java.util.Scanner;

/**
 * 最基本的lru缓存模型
 *
 * @author idea
 * @data 2019/7/22
 */
public class LRUDemo {

    private int limit;

    private LRUNode head = new LRUNode();

    private LRUNode tail = new LRUNode();

    private int size;

    public LRUDemo(int limit) {
        if (limit <= 0) {
            throw new RuntimeException("初始化大小异常");
        }
        this.limit = limit;
    }

    public void put(String key, String value) {
        LRUNode newNode = new LRUNode(key, value, null, null);
        if (size == 0) {
            head.setNext(newNode);
            tail.setPre(newNode);
            newNode.setPre(head);
            newNode.setNext(tail);
            size++;
        } else if (size > 0 && size < limit) {
            LRUNode currentFirst = head.getNext();
            head.setNext(newNode);
            newNode.setNext(currentFirst);
            newNode.setPre(head);
            currentFirst.setPre(newNode);
            size++;
        } else if (size == limit) {
            removeOldNode();
            LRUNode currentFirst = head.getNext();
            newNode.setNext(currentFirst);
            newNode.setPre(head);
            head.setNext(newNode);
            currentFirst.setPre(newNode);
        }
    }

    public Object get(String key) {
        LRUNode node = head;
        while (node != tail) {
            node = node.getNext();
            if (node.getKey().equals(key)) {
                refeshNode(node);
                return node.getValue();
            }
        }
        return null;
    }

    /**
     * 打印lru链表里面的数据信息
     */
    public void displayNode() {
        LRUNode node = head;
        while (node != tail) {
            String temp = "";
            if (node.getNext() != null && node.getPre() != null) {
                temp = "<-->";
            } else if (node.getNext() != null && node.getPre() == null) {
                temp = "-->";
            } else if (node.getPre() != null && node.getNext() == null) {
                temp = "<--";
            }
            String value = node.getValue();
            if (value == null) {
                value = "node";
            }
            System.out.print(value + temp);
            node = node.getNext();
        }
        String value = node.getValue();
        if (value == null) {
            value = "node";
        }
        System.out.println(node.getValue());
    }

    /**
     * 移除旧的节点
     */
    public void removeOldNode() {
        LRUNode currentLast = tail.getPre().getPre();
        currentLast.setNext(tail);
        tail.setPre(currentLast);
    }

    /**
     * 刷新lru队列信息
     */
    public void refeshNode(LRUNode node) {
        LRUNode before = node.getPre();
        LRUNode after = node.getNext();
        before.setNext(after);
        after.setPre(before);

        LRUNode currentFirst = head.getNext();
        currentFirst.setPre(node);
        head.setNext(node);
        node.setPre(head);
        node.setNext(currentFirst);

    }


    public static void main(String[] args) {
        LRUDemo lruDemo = new LRUDemo(5);
        lruDemo.put("k1", "1");
        lruDemo.put("k2", "2");
        lruDemo.put("k3", "3");
        lruDemo.put("k4", "4");
        lruDemo.put("k5", "5");
        while(true){
            System.out.println("请输入key:");
            Scanner scanner=new Scanner(System.in);
            String key=scanner.nextLine();
            lruDemo.get(key);
            System.out.println("查询数据:");
            lruDemo.displayNode();
        }

    }
}

 

内容概要:本文系统研究了Picard迭代法在非线性常微分方程参数估计中的应用,深入阐述了该方法的数学原理及其在参数辨识中的收敛性与稳定性优势。通过构建最小化误差的目标函数,并结合数值积分技术,采用迭代方式逐步逼近系统的真实参数值,有效解决了非线性动态系统中因缺乏解析解而难以进行精确建模的问题。文中提供了完整的Matlab代码实现,涵盖模型定义、迭代求解、参数更新与结果可视化等关键环节,增强了方法的可操作性与工程实用性。研究通过典型非线性系统案例验证了算法的有效性,展示了其在科学计算与工程建模中的良好适应性与推广潜力。; 适合人群:具备常微分方程理论、数值分析基础及Matlab编程能力,从事系统建模、参数辨识、动力学仿真等相关方向的研究生、科研人员和工程技术开发者。; 使用场景及目标:①解决实际工程中非线性微分方程模型的未知参数估计问题;②深入理解Picard迭代法在科学计算中的实现机制与数值特性;③为学术论文复现、科研项目开发或课程设计提供可运行、易调试的技术方案与代码参考。; 阅读建议:建议读者结合文中的数学推导与Matlab代码逐行分析,重点关注迭代流程、目标函数构造与数值积分的耦合实现,通过修改模型结构或噪声条件进行扩展实验,以深化对算法鲁棒性与适用边界的理解。配套资源可通过指定公众号和网盘链接获取,推荐同步学习以加速科研进程。
内容概要:本文详细介绍了一种基于多尺度集成极限学习机(Extreme Learning Machine, ELM)的回归方法,并提供了完整的Matlab代码实现。该方法通过构建多尺度特征表示与集成学习机制,有效提升了ELM在处理非线性、高维复杂数据时的预测精度与模型鲁棒性,特别适用于时间序列回归任务。文档不仅阐述了算法的核心原理与技术流程,还系统展示了其在风电功率预测等工程场景中的应用潜力。同时,文中附带了丰富的科研仿真案例集合,涵盖智能优化算法、深度学习、信号处理、电力系统调度等多个前沿方向,体现了多学科交叉融合的技术优势与实践价值。; 适合人群:具备一定Matlab编程能力,从事科学研究或工程应用的研究生、科研人员及工程技术开发者,尤其适合专注于机器学习、智能算法优化、新能源预测与电力系统建模等相关领域的专业人员。; 使用场景及目标:①用于风电、光伏、负荷等时间序列数据的高精度回归预测任务;②为科研工作者提供可复现的多尺度集成ELM模型代码框架,支持快速算法验证与二次开发;③满足实际工程项目中对高效建模、实时预测与智能决策的技术需求。; 阅读建议:建议读者结合所提供的Matlab代码进行动手实践,深入理解多尺度特征构造与集成策略的设计思想,同时可参考文档中其他相关算法案例进行横向比较与综合应用,以提升整体科研创新能力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值