动态规划是一个很好用的算法，同时也是令很多人头疼的算法，下面就介绍一下对动态规划的看法。
通过学习和刷题我们可以发现动态规划一般是用于求一些最值问题，比如说最长递增子序列等等，我们要想知道一个问题的最值，就要知道问题的所有答案然后通过比较得出答案，也就说我们平常所说的穷举；当然肯定不是暴力的穷举，对于一些动态规划的这类问题来说都是存在重叠子问题的，动态规划的做法是可以采用“备忘录”或者DP数组来避免不必要的计算。
动态规划的三要素是重叠子问题，最优子结构，状态转移方程；重叠子问题其实就是一些重新计算，比如我们之前计算过这个结果但是并没有保存，下次用到的时候需要重新计算，解决的方法可以是保存计算结果，下次用到的时候直接取用；最优子结构指的是问题的最优解包含子问题的最优解，也就是我们可以通过子问题的最优解推导出整个问题的最优解,要想有最优子结构，一般来说需要各个子问题之间是相互独立的；状态转移方程可以说是解决动态规划关键，当然也是挺困难的，大家可以通过多做题来感受一下，总结一下。
之前在学习的时候看到别人进行了相关的总结，觉得写得很好，在这里同样记录一下，以免忘记：总结了动态规划的一般步骤是 明确base case，明确【状态】，明确【选择】，定义dp数组/函数的含义；
并给出了一个一般的框架，如下所示：
# 初始化 base case
dp[0][0][...] = base
# 进行状态转移
for 状态1 in 状态1的所有取值：
for 状态2 in 状态2的所有取值：
for ...
dp[状态1][状态2][...] = 求最值(选择1，选择2...)
其中确定base case比较简单，一般就是可以直接得到答案不用计算的情况；
确定【状态】，状态一般是原问题和子问题中会变化的变量；
确定【选择】，选择指的是会导致状态发生变化的行为，具体问题具体分析；
明确dp数组/函数的含义，一般来说定义dp函数是采用递归的方法，定义dp数组是采用递推的方式，递归是自顶向下的方法，一般函数的参数就是前文中的状态，dp数组一般是有几个状态就定义为几维的。
大致的动态规划就先介绍到这里，后面有经典的习题会及时补充，同时还有一个空间优化的问题。