动态规划思想：从理论到实践的探索

动态规划（Dynamic Programming，DP）是一种解决复杂问题的算法思想，核心是通过分解问题、存储中间结果来避免重复计算。它的核心目标是优化递归或分治过程中出现的重叠子问题，通过空间换时间的方式大幅提升效率。
核心思想
分解子问题 将大问题拆解为相互关联的小问题，找到问题的递归结构。例如：
斐波那契数列：f(n) = f(n-1) + f(n-2)
编辑距离：将字符串转换拆解为字符级别的插入、删除、替换操作。DNA序列编辑距离
重叠子问题 子问题之间重复出现，若直接递归会重复计算多次。例如斐波那契数列中，计算 f(5) 需要多次计算 f(3) 和 f(2)。
最优子结构 大问题的最优解可以由子问题的最优解组合得到。例如，最短路径问题中，从 A 到 C 的最短路径必然经过中间点 B 的最短路径。
记忆化存储（Memoization） 将子问题的解存储起来（通常用数组或哈希表），避免重复计算。

一般步骤

1. 定义状态：确定问题的状态表示，通常使用一个或多个变量来表示子问题。
2. 确定状态转移方程：根据问题的最优子结构性质，找出状态之间的转移关系。
3. 初始化边界条件：确定初始状态的值，这些值是不需要通过状态转移方程计算的。
4. 计算最终结果：根据状态转移方程和边界条件，逐步计算出最终问题的解。

斐波那契数列

其数值为：0、1、1、2、3、5、8、13、21、34……在数学上，这一数列以如下递推的方法定义：F(0)=0，F(1)=1, F(n)=F(n - 1)+F(n - 2)

def fibonacci(n):
    # 创建一个列表来存储斐波那契数
    dp = [0] * (n + 1)

    # 初始化前两个斐波那契数
    dp[0], dp[1] = 0, 1

    # 从第三个数字开始计算到第 n 个数字
    for i in range(2, n + 1):
        dp[i] = dp[i - 1] + dp[i - 2]

    # 返回第 n 个斐波那契数
    retu