动态规划（一）

动态规划（Dynamic programming）与分治法相似，都是通过组合子问题的解来求解原问题。如前所述，分治方法将问题划分为互不相交的子问题，递归地求解子问题，再将它们的解组合起来，求出原问题的解。与之相反，动态规划应用于子问题重叠的情况，即不同的子问题具有公共的子子问题（子问题的求解是递归进行的，将其划分为更小的子子问题）。在这种情况下，分治算法会做出许多不必要的工作，它会反复求解那些公共子子问题。而动态规划算法对每个子问题只求解一次，将其保存在一个表格（programming）中，从而无需每次求解一个子子问题时都重新计算，避免了这种不必要的计算工作。
动态规划方法通常用来求解最优化问题。这类问题可以有很多可行解，每个解都有一个值，我们希望寻找具有最优值（最大值或最小值）的解。我们称这样的解为问题的一个最优解。

设计一个动态规划算法：

1. 刻画一个最优解的结构特征；
2. 递归地定义最优解的值；
3. 计算最优解的值，通常采用自底向上的方法；
4. 利用计算出的信息构造一个最优解。

LeetCode:
53 Maximum Subarray
https://leetcode.com/problems/maximum-subarray/description/
分析：

class Solution:
    def maxSubArray(self, nums):
        """
        :type nums: List[int]
        :rtype: int
        """
        dp = []
        dp.append(nums[0])
        max_value = dp[0]
        for i in range(1, len(nums)):
            if dp[i - 1] > 0:
                dp.append(nums[i] + dp[i - 1])
            else:
                dp.append(nums[i])
            max_value = max(max_value, dp[i])
        return max_value     

70 Climbing Stairs
https://leetcode.com/problems/climbing-stairs/description/
分析：

class Solution:
    def climbStairs(self, n):
        """
        :type n: int
        :rtype: int
        """
        if n == 1:
            return 1
        if n == 2:
            return 2
        
        dp = [0] * n
        dp[0] = 1
        dp[1] = 2
        for i in range(2, n):
            dp[i] = dp[i - 1] + dp [i - 2]
        return dp[n - 1]