动态规划核心：背包问题与股票买卖实战解析

1. 动态规划专题训练概述

今天进入算法训练营的第39天，我们继续深入动态规划这个既让人爱又让人恨的专题。动态规划作为算法领域的重头戏，其重要性怎么强调都不为过——从互联网大厂的算法面试到各类编程竞赛，DP问题永远占据着举足轻重的地位。本专题我们将聚焦几个经典DP问题及其变种，通过拆解问题本质、分析状态转移、优化空间复杂度这三个关键步骤，带你真正掌握动态规划的精髓。

我在刷题和面试辅导过程中发现，很多同学卡在动态规划问题上的根本原因，往往不是coding能力不足，而是缺乏系统化的解题框架。这次我们就用"庖丁解牛"的方式，把每个问题分解到最基础的思考单元，让你看到DP问题背后的通用模式。特别提醒：今天涉及的背包问题变种和股票买卖问题，是面试中出现频率最高的DP题型，务必吃透每个细节。

2. 完全背包问题深度解析

2.1 完全背包与01背包的本质区别

完全背包问题与基础01背包的核心区别在于物品的可重复选取。在LeetCode 518.零钱兑换II这个问题中，我们需要计算用给定面额的硬币凑成指定金额的组合数。这与传统的01背包不同——每种硬币可以无限使用，这直接影响了我们的状态转移方程设计。

我刚开始接触这个问题时，犯过一个典型错误：直接套用01背包的二维DP解法，结果发现计算出的组合数总是偏少。后来通过画状态转移图才明白，完全背包需要调整物品的遍历顺序。具体来说，在01背包中我们逆序遍历容量是为了防止重复计算，而完全背包恰恰需要正序遍历来允许重复选取。

python复制def change(amount, coins):
    dp = [0] * (amount + 1)
    dp[0] = 1
    for coin in coins:
        for i in range(coin, amount + 1):
            dp[i] += dp[i - coin]
    return dp[amount]

2.2 排列与组合的微妙差异

很多同学容易混淆LeetCode 377.组合总和IV与前面的零钱兑换问题。虽然题目描述相似，但前者求的是排列数，后者求的是组合数。这意味着[1,2]和[2,1]在377题中被视为不同的方案，而在518题中视为相同。

这个差异反映在代码上，只