动态规划关键点
DP三部曲:
a.定义子问题，b. 定义状态数组，c. 定义状态转移方程。
动态规划两个核心点：状态转移方程和边界条件
以打家劫舍问题为例
最长公共子序列问题是通过转化为二维数组来解决的，一般需要设置第0行，第0列为全零，这样在计算dp[i][j]的时候dp[i-1][j-1]不会越界
1143. 最长公共子序列问题使用下图进行解释：
代码：
class Solution:
def longestCommonSubsequence(self, text1: str, text2: str) -> int:
m = len(text1)
n = len(text2)
dp= [[0]*(n+1) for _ in range(m+1)]
for i in range(1,m+1):
for j in range(1,n+1):
if text1[i-1] == text2[j-1]:
dp[i][j] =1 +dp[i-1][j-1]
else:
dp[i][j] = max(dp[i-1][j],dp[i][j-1])
return dp[-1][-1]
最长子序列问题一般都是使用动态规划来解决的。
对于排列和组合问题的补充：
518. 零钱兑换 II
排列数是有序的，比如s1=[1,2,2]和s2=[2,1,2]是两种不同的结果，组合数是无序的，s1和s2就被视为同一种结果；
对于双层循环，外层是什么就会限制什么，如果外层是硬币数，那么就是限制硬币出现的顺序，即必须使用硬币k时，金额的组合数，对于零钱兑换，这是个组合的问题，我们不关心零钱的顺序，只关心零钱有没有被用到；
下面是一个比较好的题解：
爬楼梯和兑换硬币理解组合数和排列数
总结
动态规划问题的一般形式就是求极值，求解动态规划问题的核心是穷举，但是这个穷举比较特别，因为这类问题存在重复子问题，如果使用暴力穷举，效率低下，所以就需要dp table来优化枚举过程，避免不必要的计算。
动态规划题目较多，还是多刷题，多练习，才能有更好的掌握。