前言
动态规划这块，我从一开始看到题目就懵，到现在能独立写出三道经典题，中间踩了不少坑。这篇文章把我真实的思考过程和犯错记录写下来，希望能帮到和我一样刚开始接触DP的同学。
第一步：爬楼梯 ------ 理解"最后一步分类"
题目：每次可以爬1级或2级台阶，爬到第n级有多少种不同的方法？
我的理解过程
一开始我看到递推公式 dp[i] = dp[i-1] + dp[i-2] 完全不知道是怎么来的。后来老师用"最后一步"的思路帮我拆解：
- 要走到第i级台阶，最后一步要么是从第i-1级跨1步上来，要么是从第i-2级跨2步上来
- 所以走到第i级的方法数 = 走到第i-1级的方法数 + 走到第i-2级的方法数
这个"最后一步分类"的思路是DP的核心思想之一：站在终点往前看，把问题拆成几种可能性。
滚动变量的优化
基础版本用数组存储所有状态，空间复杂度O(n)。优化后只用三个变量滚动：
def climbStairs(n):
if n <= 2:
return n
a, b = 1, 2
for i in range(3, n + 1):
c = a + b
a, b = b, c
return b老师当时打了个比方：就像滚雪球，a和b不断往前滚，旧的数字就被丢掉了。这个比喻让我一下就记住了。
关键领悟
DP的本质是反向思考、正向计算。我们从目标出发分析可能性，然后从起点开始一步步算到终点。
第二步：打家劫舍 ------ 理解"状态定义"
题目：一排房子，相邻不能同时偷，求能偷到的最大金额。
状态定义
dp[i] 表示偷到第i间房子时的最大金额。注意，不一定非要偷第i间。
递推公式的推导
对于第i间房子，有两种选择：
- 不偷 ：金额等于
dp[i-1] - 偷 ：金额等于
dp[i-2] + nums[i]（因为相邻不能偷，所以只能从i-2转移过来）
所以：dp[i] = max(dp[i-1], dp[i-2] + nums[i])
我踩的坑
我第一次写的时候，边界条件写成了：
if n <= 1:
return 1 # ❌ 应该是 return nums[0]别笑，我当时真的以为返回1就行了。后来才发现，如果只有一个房子，应该返回它的金额，而不是固定值1。
滚动变量的应用
由于递推只依赖前两个状态，同样可以用滚动变量：
def rob(nums):
if not nums:
return 0
if len(nums) == 1:
return nums[0]
prev2, prev1 = nums[0], max(nums[0], nums[1])
for i in range(2, len(nums)):
curr = max(prev1, prev2 + nums[i])
prev2, prev1 = prev1, curr
return prev1关键领悟
状态定义决定了递推公式的写法。定义清楚了，公式自然就出来了。
第三步：最大子数组和 ------ 最折磨人的一道
题目：给定整数数组，找出和最大的连续子数组，返回其和。
这道题为什么难
前两道题的递推公式都比较直观，但这道题的递推思路不太一样。它不是简单的"选或不选"，而是要决定是否延续前面的子数组。
状态定义
dp[i] 表示以 nums[i] 结尾的最大子数组和。注意，子数组必须包含 nums[i]。
递推公式
dp[i] = max(nums[i], dp[i-1] + nums[i])翻译成人话就是：对于当前元素，要么重新开始 （只取当前元素），要么延续前面的子数组（带上前面一起）。
我反复踩的坑
这道题我折腾了很久，核心问题就是：在两个候选值里，我总是下意识选小的那个。
比如数组 2 -1 4 -6 3，第1步 cur = -1，两个选项：
- 延续：
2 + (-1) = 1 - 重新开始：
-1
我选了-1。但明明1更大啊！后来老师给了我一句口诀：
前面是负，不如单干；前面是正，带上更猛。
这句话的意思是：如果上一步的 dp[i-1] 是负数，那延续只会拖累当前元素，不如重新开始；如果是正数，延续通常更有利。
全负数的情况
还有一个极端情况：数组全是负数。比如 -3 -1 -5 -2 -4。
这时候每一步都应该选重新开始，因为延续只会让负数变得更小。最终答案就是数组中最大的那个负数（最接近0的那个）。
最终代码
def maxSubArray(nums):
prev = nums[0]
result = nums[0]
for num in nums[1:]:
prev = max(num, prev + num)
result = max(result, prev)
return result注意两点：
- 循环从第二个元素开始（
nums[1:]），因为第一个元素已经在初始化时处理了 result只记录历史最大值，不是每一步都更新
一个有用的比喻
可以把这道题想象成做生意：
- 每天都有一个利润（可能是正也可能是负）
- 你可以选择今天重新开张 （只算今天的利润），也可以选择接着昨天的生意继续做（加上今天的利润）
- 你的目标是找到某一段连续时间里的最大总利润
- 如果昨天亏了，今天重新开张更明智；如果昨天赚了，接着做更划算
总结：DP三步法
经过这三道题的洗礼，我总结出DP的通用步骤：
- 定义状态 ：搞清楚
dp[i]代表什么 - 推导递推公式：站在第i步，思考可以从哪些状态转移过来
- 确定初始条件和边界：前几个状态怎么定，特殊值怎么处理
至于空间优化（滚动变量），那是锦上添花的事，先把基本逻辑跑通再说。
写在最后
说实话，最大子数组和这道题我差点放弃了。学了整整两天，反复算错，一度觉得自己不是学算法的料。但坚持下来之后发现，所谓的"顿悟"其实就是把同一个道理想通了无数遍之后，突然不再怀疑自己了。