动态规划 1 概念
动态规划算法是通过拆分问题，定义问题的状态与状态之间的关系，使得问题能够以递推（或者说分治）的方式去解决。在学习动态规划之前需要明确掌握几个重要概念。
阶段：对于一个完整的问题过程，适当的切分为若干个相互联系的子问题，每次在求解一个子问题，则对应一个阶段，整个问题的求解转化为按照阶段次序去求解。
状态：状态表示每个阶段开始时所处的客观条件，即在求解子问题时的已知条件。状态描述了研究的问题过程中的状况。
决策：决策表示当求解过程处于某一阶段的某一状态时，可以根据当前条件作出不同的选择，从而确定下一个阶段的状态，这种选择称为决策。
策略：由所有阶段的决策组成的决策序列称为全过程策略，简称策略。
最优策略：在所有的策略中，找到代价最小，性能最优的策略，此策略称为最优策略。
状态转移方程：状态转移方程是确定两个相邻阶段状态的演变过程，描述了状态之间是如何演变的。
2 使用场景能采用动态规划求解的问题一般要具有 以下3 个性质：
（1）最优化：如果问题的最优解所包含的子问题的解也是最优的，就称该问题具有最优子结构，即满足最优化原理。子问题的局部最优将导致整个问题的全局最优。换句话说，就是问题的一个最优解中一定包含子问题的一个最优解。
（2）无后效性：即某阶段状态一旦确定，就不受这个状态以后决策的影响。也就是说，某状态以后的过程不会影响以前的状态，只与当前状态有关，与其他阶段的状态无关，特别是与未发生的阶段的状态无关。
（3）重叠子问题：即子问题之间是不独立的，一个子问题在下一阶段决策中可能被多次使用到。（该性质并不是动态规划适用的必要条件，但是如果没有这条性质，动态规划算法同其他算法相比就不具备优势）
3 算法流程 （1）划分阶段：按照问题的时间或者空间特征将问题划分为若干个阶段。
（2）确定状态以及状态变量：将问题的不同阶段时期的不同状态描述出来。
（3）确定决策并写出状态转移方程：根据相邻两个阶段的各个状态之间的关系确定决策。
（4）寻找边界条件：一般而言，状态转移方程是递推式，必须有一个递推的边界条件。
（5）设计程序，解决问题
下面的三道算法题都是来源于 LeetCode 上与股票买卖相关的问题 ，我们按照 动态规划 的算法流程来处理该类问题。
股票买卖这一类的问题，都是给定一个输入数组，里面的每个元素表示的是每天的股价，并且你只能持有一支股票（即你必须在再次购买前出售掉之前的股票），一般来说有下面几种问法：
只能买卖一次
可以买卖无数次
可以买卖 k 次
问题就是需要你设计一个算法去获取最大的利润。
买卖股票的最佳时机题目来源于 LeetCode 上第 121 号问题：买卖股票的最佳时机。题目难度为 Easy，目前通过率为 49.4% 。
题目描述给定一个数组，它的第 i 个元素是一支给定股票第 i 天的价格。
如果你最多只允许完成一笔交易（即买入和卖出一支股票），设计一个算法来计算你所能获取的最大利润。
注意你不能在买入股票前卖出股票。
示例 1:
输入: [7,1,5,3,6,4]
输出: 5
解释: 在第 2 天（股票价格 = 1）的时候买入，在第 5 天（股票价格 = 6）的时候卖出，最大利润 = 6-1 = 5 。
注意利润不能是 7-1 = 6, 因为卖出价格需要大于买入价格。
示例 2:
输入: [7,6,4,3,1]
输出: 0
解释: 在这种情况下, 没有交易完成, 所以最大利润为 0。
我们按照动态规划的思想来思考这道问题。
状态有 买入（buy） 和 卖出（sell） 这两种状态。
转移方程对于买来说，买之后可以卖出（进入卖状态），也可以不再进行股票交易（保持买状态）。
对于卖来说，卖出股票后不在进行股票交易（还在卖状态）。
只有在手上的钱才算钱，手上的钱购买当天的股票后相当于亏损。也就是说当天买的话意味着损失-prices[i]，当天卖的话意味着增加prices[i]，当天卖出总的收益就是 buy+prices[i] 。
所以我们只要考虑当天买和之前买哪个收益更高，当天卖和之前卖哪个收益更高。
buy = max(buy, -price[i]) （注意：根据定义 buy 是负数）
sell = max(sell, prices[i] + buy)
边界