动态规划（Dynamic Programming，简称DP）是算法设计中最经典的思想之一，被广泛应用于路径规划、背包问题、股票买卖、字符串匹配等场景。与暴力搜索相比，动态规划最大的优势在于能够利用已经计算出的结果，避免重复计算，从而显著提升程序运行效率。
动态规划的核心在于“状态复用”。所谓状态复用，就是将已经求解出的子问题结果保存下来，在后续计算过程中直接使用，而不再重复求解。例如经典的斐波那契数列问题，如果采用递归方式计算，会产生大量重复运算；而使用动态规划后，每个状态只计算一次，再通过状态转移方程推导出最终结果，从而将时间复杂度大幅降低。
以斐波那契数列为例：
dp[i] = dp[i-1] + dp[i-2]其中 dp[i] 表示第 i 项的结果。由于前面的结果已经保存，因此后续计算可以直接复用已有状态，这也是动态规划高效的根本原因。
除了时间优化之外，空间优化也是动态规划中非常重要的一部分。很多初学者在编写DP时，会习惯性地开辟一个较大的数组保存所有状态，但实际上并非所有历史状态都会在后续计算中被使用。
例如在上述斐波那契问题中，计算当前状态时仅依赖前两个状态：
dp[i-1] dp[i-2]因此没有必要保存整个数组，只需要保留最近两个状态即可：
a, b = 0, 1 for i in range(2, n + 1): a, b = b, a + b通过这种方式，空间复杂度可以从 O(n) 优化到 O(1)，这就是动态规划中的空间压缩思想。
对于更复杂的二维动态规划问题，也同样可以进行空间优化。例如经典的路径统计问题：
dp[i][j] = dp[i-1][j] + dp[i][j-1]由于当前状态只依赖上一行和当前行左侧的数据，因此无需保存整个二维数组，可以利用滚动数组或一维数组进行状态压缩，从而有效减少内存占用。
在实际应用中，状态复用解决的是“重复计算”问题，而空间压缩解决的是“存储冗余”问题。两者结合使用，不仅能够提升程序运行效率，还能够降低资源消耗，使算法在处理大规模数据时表现更加稳定。
总体来看，动态规划不仅仅是状态转移方程的推导过程，更重要的是理解状态之间的依赖关系。只有充分掌握状态复用与空间压缩的思想，才能真正发挥动态规划的优势，写出高效、简洁且性能优秀的算法程序。
