游戏是这样的，一共有 n 块宝石，每块宝石在小 Q 心中都有其对应的价值。注意，由于某些宝石质量过于差劲，因此存在只有店家倒贴钱，小 Q 才愿意带走的宝石，即价值可以为负数。
问题分析
首先思考最暴力的解法。
枚举所有区间，暴力累加区间中宝石的价值，最后选一个价值最大的区间。时间复杂度 O(n^3)。
O(n^3) 显然有些无法接受，因此想想有没有办法优化，比如优化掉暴力累加的部分。
优化 1.0
仔细思考不难发现，我们可以枚举区间右端点，然后固定右端点，左端点不断向左移动，边移动边累加，就可以将时间复杂度优化到 O(n^2)。
例如我们固定右端点是 3，那么左端点就从 3 移动到 1，边移动边累加答案，就可以在移动过程中计算出区间 [3,3]、[2,3]、[1,3] 的答案了。因此枚举所有区间右端点，即可在 O(n^2) 时间复杂度内找到答案。
但是 O(n^2) 时间还是有些过高了，因此思考有没有办法继续优化呢？
优化 2.0
观察 O(n^2) 的解法，不难发现我们用了 O(n) 的时间复杂度才求出了固定某个点为区间右端点时，区间最大价值和。
例如固定了 n 为区间右端点后，我们通过从 n 到 1 枚举左端点，才求出了以 n 为区间右端点时的区间最大价值和，即 O(n) 的时间复杂度。
那么继续思考，「以 n 为区间右端点的区间最大和」，与「以 n - 1 为区间右端点的区间最大和」，这两者是否有关联呢？
为了描述方便，接下来我们用 f 来代替「以 i 为区间右端点的区间最大和」，用 a 来代替第 i 块宝石的价值。
不难发现，如果 f[n - 1] 为正数，则 f[n] 一定等于 f[n - 1] + a[n]；如果 f[n - 1] 为负数，则 f[n] 一定等于 a[n]。因此我们可以推导出如下转移方程：
动态规划概述
动态规划（Dynamic Programming），因此常用 DP 指代动态规划。本块内容我们主要讲解「动态规划解题思路」与「动态规划问题类别」。
动态规划解题思路
动态规划主要分为两个核心部分，一是确定「DP 状态」，二是确定「DP 转移方程」。
DP 状态
「DP 状态」的确定主要有两大原则：
最优子结构
我们仍以「宝石挑选」例题来讲解这两大原则，首先是「最优子结构」。
什么是「最优子结构」？将原有问题化分为一个个子问题，即为子结构。而对于每一个子问题，其最优值均由「更小规模的子问题的最优值」推导而来，即为最优子结构。
因此「DP 状态」设置之前，需要将原有问题划分为一个个子问题，且需要确保子问题的最优值由「更小规模子问题的最优值」推出，此时子问题的最优值即为「DP 状态」的定义。
例如在「宝石挑选」例题中，原有问题是「最大连续区间和」，子问题是「以 i 为右端点的连续区间和」。并且「以 i 为右端点的最大连续区间和」由「以 i - 1 为右端点的最大连续区间和」推出，此时后者即为更小规模的子问题，因此满足「最优子结构」原则。
由此我们才定义 DP 状态 f 表示子问题的最优值，即「以 i 为右端点的最大连续区间和」。
无后效性
而对于「无后效性」，顾名思义，就是我们只关心子问题的最优值，不关心子问题的最优值是怎么得到的。
仍以「宝石挑选」例题为例，我们令 DP 状态 f 表示「以 i 为右端点的最大连续区间和」，我们只关心「以 i 为右端点的区间」这个子问题的最优值，并不关心这个子问题的最优值是从哪个其它子问题转移而来。
即无论 f 所表示区间的左端点是什么，都不会影响后续 f[i + 1] 的取值。影响 f[i + 1] 取值的只有 f 的数值大小。
那怎样的状态定义算「有后效性」呢？
我们对「宝石挑选」例题增加一个限制，即小 Q 只能挑选长度 <= k 的连续区间。此时若我们定义 f 表示「以 i 为右端点的长度 <= k 的最大连续区间和」，则 f[i + 1] 的取值不仅取决于 f 的数值，还取决于 f 是如何得到的。
因为如果 f 取得最优值时区间长度 = k，则 f[i + 1] 不能从 f 转移得到，即 f 的状态定义有后效性。
最后概括一下，「最优子结构」就是「DP 状态最优值由更小规模的 DP 状态最优值推出」，此处 DP 状态即为子问题。而「无后效性」就是「无论 DP 状态是如何得到的，都不会影响后续 DP 状态的取值」。
DP 转移方程
有了「DP 状态」之后，我们只需要用「分类讨论」的思想来枚举所有小状态向大状态转移的可能性即可推出「DP 转移方程」。
我们继续以「宝石挑选」问题为例。
在我们定义「DP 状态」f 之后，我们考虑状态 f 如何从 f[1] ~ f[i - 1] 这些更小规模的状态转移而来。
仔细思考可以发现，由于 f 表示的是连续区间的和，因此其取值只与 f[i - 1] 有关，与 f[1] ~ f[i - 2] 均无关。
我们再进一步思考，f 取值只有两种情况，一是向左延伸，包含 f[i - 1]，二是不向左延伸，仅包含 a，由此我们可以得到下述「DP 转移方程」：
注意，
动态规划问题类别
讲述完 DP 问题的解题思路后，我们来大致列举一下 DP 问题的类别。
DP 问题主要分为两大类，第一大类是 DP 类型，第二大类是 DP 优化方法。
其中在 DP 类型部分，面试中最常考察的就是「线性 DP」，而在优化方法部分，最常见的是「RMQ 优化」，即使用线段树或其它数据结构查询区间最小值，来优化 DP 的转移过程。
习题练习
接下来我们以习题为例，来强化一下确定「DP 状态」和「DP 转移方程」的 DP 问题求解思路。
题目描述
三步问题。有个小孩正在上楼梯，楼梯有 n 阶台阶，小孩一次可以上 1 阶、2 阶或 3 阶。实现一种方法，计算小孩有多少种上楼梯的方式。结果可能很大，你需要对结果模 1000000007。
示例 1:
[C++] 纯文本查看 复制代码
输入：n = 3
输出：4
说明: 有四种走法
[AppleScript] 纯文本查看 复制代码
输入：n = 5
输出：13
[AppleScript] 纯文本查看 复制代码
n 范围在 [1, 1000000] 之间
DP 问题思路主要就是确定「DP 状态」与「DP 转移方程」，因此我们首先考虑「DP 状态」。
「DP 状态」的确定有两大原则，一是「最优子结构」，二是「无后效性」，简要概括就是将原问题划分为多个子问题，且「大规模子问题最优值」仅与「小规模子问题最优值」有关，与「小规模子问题最优值」是如何得到的无关。
此题需要求出爬 n 阶楼梯的总方案数，因此很容易想到子问题是爬 i 阶楼梯的总方案数。接下来再进一步验证该状态是否符合「最优子结构」与「无后效性」两大原则。
令 f 表示爬 i 阶楼梯的总方案数，原问题被划分为了多个求最优值的子问题，继续思考，不难发现小孩爬楼梯只有三种选项，一次上 1、2、3 阶，因此 f 的值仅由 f[i - 1]、f[i - 2]、f[i - 3] 的值决定，因此符合「最优子结构」原则。
再进一步思考，f 的取值与 f[i - 1]、f[i - 2]、f[i - 3] 的数值是如何得到的无关，因此符合「无后效性」原则。
确定完「DP 状态」后，我们再来确定「DP 转移方程」。
由于小孩只有三种爬楼选项，因此 f 的值仅由 f[i - 3] ～ f[i - 1] 决定。且由于爬楼的最后一步不同，因此 f 的值由 f[i - 3] ～ f[i - 1] 累加得到，即如下所示：
注意，f[1] = 1，且转移时需要注意 f[i - 1]、f[i - 2]、f[i - 3] 不要越界。
[C++] 纯文本查看 复制代码
class Solution {
public:
vector<int> f;
int mod = 1000000007;
int waysToStep(int n) {
f.resize(n+1);
f[0] = 1;
for(int i = 1; i <= n; i++) {
f = f[i-1];
if(i >= 2) f = (f + f[i-2]) % mod;
if(i >= 3) f = (f + f[i-3]) % mod;
}
return f[n];
}
};最后我们来总结一下 DP 问题的解题思路：
最后的最后，希望大家在求解 DP 问题时可以参考上述解题思路，祝大家刷题愉快！