1，动态规划算法，类似分治算法，都是分成如干个子问题，动态规划的一点优势就是可以随时参考前面步骤的子问题的结果，这就使得各个子问题不是相互独立的。
了解了上述思想，那我们将如何分子问题。这一步很关键，关系到我们后续的编码。
最熟悉的莫过于是矩阵连乘，这里的分解的思想是 假设我们在第k个矩阵处 进行分割该矩阵序列，这样分成了两个子问题，并且具有最优子结构。按照这样的规律，继续分解下去。在后期进行编码的工作中，我们只需要一个m[i][j]来代表 第i个矩阵到j个矩阵的连乘的最少次数。其中i==j，是等于0的，不需要任何计算。通过我们一系列的循环，就会逐步填满二维矩阵。一切都瞑目了然。
了解了第二步思想。那么我们如何确定k，这里只需要一个for(k=i+1,k<=j;k++)，进行逐次对比m[i][j]，找到最优的m[i][j]
在第三步思想后，我们也许还会怀疑，这些子问题是如何相互借鉴的，其实我们从宏观的角度来观察，就单独看m[i][j]的二维矩阵。m[i][j]=m[i][k]+m[k][j]+p[i-1]*p[k]*p[j]
这里的m[i][j]很显然要借鉴m[i][m]，其中m比j是绝对小于等于的。因此我们在进行二维数组的循环的过程，是从小到大的循环的。
下面我们再来看移到微软之美的饮料供货的 动态规划算法。
这里我们分子问题，是假设有k个第j种饮料，作为单独的子问题。那按照这样的思想，找第j+1种饮料有多少个。
这里我们还是利用的二维数组opt[v][j]，这里表示的意思，在供应饮料总容量为v的前提下，第j,j+1....n这些饮料的某种组合可以让客户达到最大的满意度
一旦明确k的意思所在了之后，我们这里继续采用for(int k=0;k<=c[j];k++)，进行一个循环来判定比较哪个k是最适合我们题意的
还一个问题，在进行遍历我们这个二维数组的时候，采用增序还是减序，其中opt[v][j]=opt[v-k*v[j]][j+1]+k*h[j];透过这个表达式，我们发现
j是需要是从大到小的，而我们的v采用是从小到大 for(int j=T-1;j>=0;j++) for(int k=0;k<=v;k++)
关于动态规划我们如果知道这些要点，是足够我们写出相应的代码。重点是灵活应用。