给定一个数组，它的第 i 个元素是一支给定股票第 i 天的价格。
如果你最多只允许完成一笔交易（即买入和卖出一支股票），设计一个算法来计算你所能获取的最大利润。
注意你不能在买入股票前卖出股票。（这次是只能操作一次，股票ll可以多次操作）
一般解法：
class Solution(object):
def maxProfit(self, prices):
"""
:type prices: List[int]
:rtype: int
"""
profit = 0
for index in range(len(prices)-1):
sub = max(prices[index+1:]) - prices[index]
if sub > profit:
profit = sub
return profit
动态规划：
class Solution(object):
def maxProfit(self, prices):
if not prices:
return 0
profit = 0
dp = [0]
minelement = prices[0]
for i in range(1, len(prices)):
minelement = min(minelement, prices[i])
dp.append(max(dp[i - 1], prices[i] - minelement))
if dp[-1] > profit:
profit = dp[-1]
return profit
动态规划 最重要的是掌握他的思想，动态规划的核心思想是把原问题分解成子问题进行求解，也就是分治的思想。
什么问题适合用动态规划呢？我们通过一个现实中的例子，来理解这个问题。大家可能在公司里面都有一定的组织架构，可能有高级经理、经理、总监、组长然后才是小开发，今天我们通过这个例子，来讲讲什么问题适合使用动态规划。又到了一年一度的考核季，公司要挑选出三个最优秀的员工。一般高级经理会跟手下的经理说，你去把你们那边最优秀的3个人报给我，经理又跟总监说你把你们那边最优秀的人报给我，经理又跟组长说，你把你们组最优秀的三个人报给我，这个其实就动态规划的思想！
动态规划问题，大致可以通过以下四部进行解决。
1.划分状态，即划分子问题，例如上面的例子，我们可以认为每个组下面、每个部门、每个中心下面最优秀的3个人，都是全公司最优秀的3个人的子问题
2.状态表示，即如何让计算机理解子问题。上述例子，我们可以实用 f[i][3]表示第i个人，他手下最优秀的3个人是谁。
3.状态转移，即父问题是如何由子问题推导出来的。上述例子，每个人 大Leader下面最优秀的人等于他下面的小Leader中最优秀的人中最优秀的几个。
4.确定边界，确定初始状态是什么，最小的子问题，最终状态又是什么。例如上述问题，最小的子问题就是每个小组长下面最优秀的人，最终状态是整个企业，初始状态为每个领导下面都没有最优名单，但是小组长下面拥有每个人的评分。