目录
1、通过散列表和双向链表的组合，实现一个高效的LRU 缓存淘汰算法：
3、通过散列表和双向链表的组合，实现LinkedHashMap
一、散列表（Hash Table）
散列表又叫“哈希表”或“Hash表”。散列表用的是数组支持按照下标随机访问数据的特性，时间复杂度为O(1)，所以散列表其实就是数组的一种扩展，由数组演化而来。可以说，如果没有数组，就没有散列表。
通过散列函数（或叫哈希函数）把元素的键值（key）映射为下标（散列值或叫哈希值），然后将数据存储在数组中对应下标的位置。当我们按照键值查询元素时，我们用同样的散列函数，将键值转化数组下标，从对应的数组下标的位置取数据
1、散列函数
hash(key)，其中 key 表示元素的键值，hash(key) 的值表示经过散列函数计算得到的散列值。该如何构造散列函数呢？散列函数设计的三点基本要求：
- 散列函数计算得到的散列值是一个非负整数；
- 如果 key1 = key2，那 hash(key1) == hash(key2)；
- 如果 key1 ≠ key2，那 hash(key1) ≠ hash(key2)。
2、散列冲突
在构建散列函数时，其实要满足三点基本要求中的第三点很难，要想找到一个不同的 key 对应的散列值都不一样的散列函数，几乎是不可能的，所以就会产生散列冲突，那要如何避免呢？常用的散列冲突解决方法有两类，开放寻址法（open addressing）和 链表法（chaining）。
不管采用哪种探测方法，当散列表中空闲位置不多的时候，散列冲突的概率就会大大提高。为了尽可能保证散列表的操作效率，一般情况下，我们会尽可能保证散列表中有一定比例的空闲槽位。我们用装载因子（load factor）来表示空位的多少
- 散列表的装载因子 = 填入表中的元素个数 / 散列表的长度
1、开放寻址法：
线性探测法：当我们往散列表中插入数据时，通过散列函数求出要查找元素的键值对应的散列值，然后比较数组中下标为散列值的元素和要查找的元素，如果某个数据经过散列函数散列之后，存储位置已经被占用了，我们就从当前位置开始，依次往后查找，看是否有空闲位置插入，直到找到为止
二次探测（Quadratic probing）法：线性探测每次探测的步长是 1，那它探测的下标序列就是 hash(key)+0，hash(key)+1，hash(key)+2……而二次探测探测的步长就变成了原来的“二次方”，也就是说，它探测的下标序列就是 hash(key)+0，hash(key)+12，hash(key)+22……
双重散列法：意思就是不仅要使用一个散列函数。我们使用一组散列函数 hash1(key)，hash2(key)，hash3(key)……我们先用第一个散列函数，如果计算得到的存储位置已经被占用，再用第二个散列函数，依次类推，直到找到空闲的存储位置
2、链表法：
在散列表中，每个“桶（bucket）”或者“槽（slot）”会对应一条链表，所有散列值相同的元素我们都放到相同槽位对应的链表中
3、方法比较
- 当数据量比较小、装载因子小的时候，适合采用开放寻址法散列表
- 当存储大对象、大数据量的时候，适合采用链表法散列表，而且，比起开放寻址法，它更加灵活，支持更多的优化策略，比如用红黑树代替链表。
二、散列表设计
散列函数设计的好坏，决定了散列表冲突的概率大小，也直接决定了散列表的性能。
首先，散列函数的设计不能太复杂；其次，散列函数生成的值要尽可能随机并且均匀分布，散列到每个槽里的数据也会比较平均，不会出现某个槽内数据特别多的情况。
设计思路：
- 设计一个合适的散列函数；
- 定义装载因子阈值，并且设计动态扩容策略；
- 选择合适的散列冲突解决方法
三、散列表应用
1、通过散列表和双向链表的组合，实现一个高效的LRU 缓存淘汰算法：
LRU（Least recently used，最近最少使用）算法根据数据的历史访问记录来进行淘汰数据，其核心思想是“如果数据最近被访问过，那么将来被访问的几率也更高”。
1、添加： 先看这个数据是否已经在缓存中。如果已经在其中，需要将其移动到双向链表的尾部；如果不在其中，还要看缓存有没有满。如果满了，则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；如果没有满，就直接将数据放到链表的尾部。
2、查询： 每当缓存命中（即缓存数据被访问），则将数据移到链表尾部；
3、删除：按照双向链表删除节点方法删除节点
2、通过散列表和跳表的组合，实现Redis有序集合
3、通过散列表和双向链表的组合，实现LinkedHashMap
参考链接
https://time.geekbang.org/column/intro/126 《数据结构与算法之美--王争》
