动态规划进阶：背包、股票与字符串编辑距离实战

1. 动态规划专题训练概述

今天进入算法训练营的第38天，我们继续深入动态规划这个既让人爱又让人恨的话题。经过前五天的专题训练，相信大家对动态规划的基本框架和经典题型已经有了初步认识。今天的专题6将聚焦几个更具挑战性的问题类型，包括背包问题的变种、股票买卖系列以及字符串编辑距离等实际工程中常见的问题场景。

动态规划之所以让很多初学者感到困难，核心在于其"看似简单实则暗藏玄机"的特性。一个合格的动态规划解法需要同时满足三个关键条件：最优子结构、无后效性和重叠子问题。在实际解题过程中，我们常常会遇到状态定义模糊、转移方程难以建立、边界条件处理不当等典型问题。

重要提示：动态规划专题建议按照"五步法"系统练习：1.明确dp数组定义 2.确定递推公式 3.初始化dp数组 4.确定遍历顺序 5.举例推导验证

2. 背包问题进阶解析

2.1 完全背包与01背包的本质区别

完全背包问题是今天训练的重点内容之一。与基础的01背包不同，完全背包中每种物品可以选取无限次，这个看似微小的变化却带来了解法上的本质差异。让我们通过代码对比来理解这两种背包问题的核心区别：

python复制# 01背包核心代码（物品在外层，容量在内层，且容量倒序遍历）
for i in range(len(weight)):
    for j in range(bagWeight, weight[i] - 1, -1):
        dp[j] = max(dp[j], dp[j - weight[i]] + value[i])

# 完全背包核心代码（物品在外层，容量在内层，但容量正序遍历）
for i in range(len(weight)):
    for j in range(weight[i], bagWeight + 1):
        dp[j] = max(dp[j], dp[j - weight[i]] + value[i])

关键差异点在于内层循环的遍历方向：01背包必须倒序以避免重复选取，而完全背包则需要正序以实现多次选取。这个细节在实际面试中经常被考察，也是容易出错的地方。

2.2 背包问题的排列与组合

背包问题在实际应用中还有两个重要变种：求排列数（考虑顺序）和求组合数（不考虑顺序）。这两种情况的状态转移方程看似相似，但遍历顺序却有本质不同：

1. 组合问题（如零钱兑换）：外层遍历物品，内层遍历容量
2. 排列问题（如爬楼梯）：外层遍历容量，内层遍历物品

以LeetCode 518.零钱兑换II（组合）和70.爬楼梯（排列）为例：

python复制# 组合问题解法
def change(amount, coins):
    dp = [0] * (amount + 1)
    dp[0] = 1
    for coin in coins