什么样的问题适合动态规划解决
一个模型：动态规划解决的问题的模型是“多阶段决策最优解模型”。
动态规划一般用来解决最优问题。这个解决过程，需要经历多个决策阶段。每个决策阶段都对应一组状态，从每个决策阶段都选出一种合适的状态，组成一个决策序列，这个序列就是我们期望的最优解。
三个特征：
1：最优子结构。最优子结构指的是最优解包含子问题的最优解。也就是说，通过子问题的最优解，可以推导出问题的最优解。
2：无后效性。第一：再推导后续阶段的状态时，只关心上一个阶段的结果，并不关心上一个阶段结果的推导过程。第二：某阶段的状态一经确定，就不会受之后阶段的决策影响。
3：重复子问题。不同的决策序列，到达某个相同的阶段时，可能会产生重复的状态。
两种动态规划解题思路总结
1：状态转移表法
使用动态规划解决的问题，都可以使用回溯算法的暴力搜索解决。所以，遇到问题，先尝试用回溯算法解决，然后定义状态，状态对应节点，画出递归树。通过递归树，观察是否存在重复子问题，以及重复子问题是如何产生的，的出规律，判断是否用动态规划解决。
找到重复的子问题后，有两种处理方式：方式一，添加备忘录方法，避免重复子问题的求解。方式二，状态转移法，合并相同状态，只保留不同状态的解，减少结果集的指数型增长。
2：状态转移方程法
首先，分析某问题如何通过子问题递归求解，也就是所谓的最优子结构。根据最优子结构写出递归公式，也就是状态转移方程。根据状态转移方程，完成代码。代码的实现方式有两种：递归加备忘录，迭代递推。
注：状态转移方程法，理解的还不到位，暂时留做标记，日后复盘。
四种算法思想分析
贪心，分治，回溯和动态规划。
贪心，回溯和动态规划分为一类，这三种思想解决的问题都可以抽象成多阶段决策最优解模型。
分治归为一类，更偏向于复杂问题简单化，简单问题的解聚合成复杂问题的解。
回溯算法基本上可以解决动态规划以及贪心算法的问题。回溯算法相当于穷举搜索，然后对比得出最优解。时间复杂度高，指数级别的，适合解决小规模的数据。
动态规划比回溯算法效率高，但是对问题的要求有限制，必须满足三个特征。动态规划与分子算法中都包含子问题。动态规划中正是由于存在大量相同的子问题，所以效率才高。而分治算法中子问题是不允许有重复的。
贪心算法实际上是动态规划算法中的一种特殊情况。解决问题高效，代码实现更简单。它解决的问题也需要满足三个特征：最优子结构，无后效性，贪心选择性(通过局部最优的选择，能产生全局的最优选择)。
总结
本文创作灵感来源于 极客时间 王争老师的《数据结构与算法之美》课程，通过课后反思以及借鉴各位学友的发言总结，现整理出自己的知识架构，以便日后温故知新，查漏补缺。
初入算法学习，必是步履蹒跚，一路磕磕绊绊跌跌撞撞。看不懂别慌，也别忙着总结，先读五遍文章先，无他，唯手熟尔~
与诸君共勉