刷LeetCode中等题时，编辑距离绝对是动态规划的经典代表作------它看似复杂，三种操作（插入、删除、替换）让人无从下手，但只要理清状态定义和转移逻辑，就能轻松破解。今天就带大家一步步拆解这道题，从题意分析到代码实现，把每一个细节讲透。
一、题目解读：到底要解决什么问题？
题目很简洁：给定两个单词word1和word2，返回将word1转换成word2所使用的最少操作数。
允许的三种操作（对一个单词进行）：
-
插入一个字符：比如word1是"abc"，word2是"abdc"，可以在word1的b和c之间插入d，完成转换。
-
删除一个字符：比如word1是"abcd"，word2是"abc"，删除word1的d即可。
-
替换一个字符：比如word1是"abc"，word2是"adc"，将word1的b替换成d即可。
核心难点：三种操作可以任意组合，如何找到"最少步骤"？------ 动态规划的核心就是"最优子结构"，把大问题拆成小问题，逐个解决。
二、动态规划思路拆解（核心部分）
动态规划解题，关键就3步：定义dp数组、确定边界条件、推导状态转移方程。我们一步步来：
1. 定义dp数组
设word1的长度为n，word2的长度为m，定义dp[i][j]：将word1前i个字符（word1[0...i-1]）转换成word2前j个字符（word2[0...j-1]）所需的最少操作数。
为什么是i-1和j-1？因为dp数组的下标从0开始，而字符串的下标也从0开始，dp[0][0]表示两个空串的转换，dp[1][1]才对应两个单词的第一个字符，这样定义更直观，避免下标混乱。
2. 确定边界条件
边界情况就是"其中一个单词为空串"的场景：
-
如果word1为空（i=0），那么要转换成word2前j个字符，只能不断插入j个字符，所以dp[0][j] = j。
-
如果word2为空（j=0），那么要转换成空串，只能不断删除word1前i个字符，所以dp[i][0] = i。
比如dp[0][3] = 3（空串转成3个字符，插入3次），dp[2][0] = 2（2个字符转成空串，删除2次）。
3. 推导状态转移方程
这是最关键的一步，我们分两种情况讨论：word1的第i个字符（word1[i-1]）和word2的第j个字符（word2[j-1]）是否相等。
情况1：word1[i-1] == word2[j-1]
此时，两个字符已经匹配，不需要做任何操作，最少操作数就等于"word1前i-1个字符转word2前j-1个字符"的操作数，即：
dp[i][j] = dp[i-1][j-1]
比如word1是"abc"，word2是"adc"，当i=3、j=3时，word1[2] = c，word2[2] = c，此时dp[3][3] = dp[2][2]。
情况2：word1[i-1] != word2[j-1]
此时需要进行插入、删除、替换三种操作中的一种，取这三种操作的最少步骤即可，对应三个方向的状态：
-
删除操作：删除word1的第i个字符，此时dp[i][j] = dp[i-1][j] + 1（删除1次，加上之前的操作数）。
-
插入操作：在word1的第i个字符后插入一个和word2[j-1]相同的字符，此时dp[i][j] = dp[i][j-1] + 1（插入1次，加上之前的操作数）。
-
替换操作：将word1的第i个字符替换成word2[j-1]，此时dp[i][j] = dp[i-1][j-1] + 1（替换1次，加上之前的操作数）。
所以，状态转移方程为：
dp[i][j] = Math.min(dp[i-1][j] + 1, dp[i][j-1] + 1, dp[i-1][j-1] + 1)
三、完整代码实现（TypeScript）
结合上面的思路，直接上代码，每一行都加了详细注释，对应我们拆解的逻辑：
typescript
function minDistance(word1: string, word2: string): number {
let n = word1.length; // word1的长度
let m = word2.length; // word2的长度
// 边界情况：有一个字符串为空串，操作数就是另一个字符串的长度
if (n * m == 0) {
return n + m;
}
// 初始化dp数组：n+1行（word1的0~n个字符），m+1列（word2的0~m个字符）
const dp: number[][] = Array.from({ length: n + 1 }, () => new Array(m + 1));
// 边界状态初始化：word2为空时，dp[i][0] = i（删除i次）
for (let i = 0; i < n + 1; i++) {
dp[i][0] = i;
}
// 边界状态初始化：word1为空时，dp[0][j] = j（插入j次）
for (let j = 0; j< m + 1; j++) {
dp[0][j] = j;
}
// 填充dp数组：遍历所有i和j，计算每个dp[i][j]的值
for (let i = 1; i < n + 1; i++) {
for (let j = 1; j < m + 1; j++) {
// 左：删除操作，dp[i-1][j] + 1
let left = dp[i - 1][j] + 1;
// 下：插入操作，dp[i][j-1] + 1
let down = dp[i][j - 1] + 1;
// 左下：替换/不操作，先取dp[i-1][j-1]
let left_down = dp[i - 1][j - 1];
// 字符不相等时，替换操作需要+1
if (word1.charAt(i - 1) != word2.charAt(j - 1)) {
left_down += 1;
}
// 取三种操作的最小值，赋值给dp[i][j]
dp[i][j] = Math.min(left, Math.min(down, left_down));
}
}
// dp[n][m]就是word1完整转word2的最少操作数
return dp[n][m];
};四、代码解析与易错点提醒
1. 易错点1：边界条件的判断
当n*m == 0时，说明其中一个字符串长度为0，此时直接返回n+m即可，不用再初始化dp数组，节省时间。比如word1为空，word2长度为5，返回5（插入5次）。
2. 易错点2：dp数组的初始化
dp数组的长度是n+1和m+1，因为要包含"0个字符"的情况，比如dp[0][0] = 0（两个空串，无需操作）。
3. 易错点3：字符串下标与dp数组下标的对应
dp[i][j]对应word1[0...i-1]和word2[0...j-1]，所以取字符时要用word1.charAt(i-1)和word2.charAt(j-1)，千万别写成i和j，否则会越界。
五、总结：这道题的核心价值
编辑距离是动态规划的经典应用，它的核心思想是"用子问题的最优解推导原问题的最优解"。这道题的关键不是记住代码，而是理解：
-
如何定义dp数组，让它能表示"子问题的最优解"；
-
如何根据题意，找到边界条件（极端情况）；
-
如何分析不同场景，推导状态转移方程。
学会这道题后，再遇到类似的"最少操作""最优路径"类动态规划题，思路会清晰很多。比如字符串匹配、最长公共子序列等，都能用到类似的思维。