动态规划是通用算法思想，核心为“用空间换时间”，需满足重叠子问题和最优子结构；JavaScript中可通过记忆化递归或迭代实现，如爬楼梯问题可用两变量优化求解。
动态规划（Dynamic Programming，简称 DP）不是 JavaScript 特有的概念，而是一种通用的算法设计思想；它在 JavaScript 中的实现方式与其他语言一致，核心是“用空间换时间”——通过保存子问题的解，避免重复计算，从而高效解决具有重叠子问题和最优子结构的问题。
动态规划的两个关键特征
重叠子问题：一个问题可以被分解为多个子问题，而这些子问题会反复出现。比如计算斐波那契数列第 n 项时，fib(n-1) 和 fib(n-2) 都会多次调用 fib(n-3)。
最优子结构：问题的最优解包含其子问题的最优解。例如爬楼梯最小花费、最长递增子序列、背包问题等，都可以由更小规模的同类问题推导得出。
JavaScript 中的两种常见实现方式
• 自顶向下（记忆化递归）：在递归基础上加一个缓存（如 Object 或 Map），每次计算前先查缓存，有则直接返回，无则计算后存入。
立即学习“Java免费学习笔记（深入）”；
• 自底向上（迭代 + 数组/变量）：从小规模子问题开始，用数组（或几个变量）按顺序推导出最终结果。更省内存，也更符合 JS 实际工程习惯。
多数简单 DP 问题（如斐波那契、爬楼梯）可用两个变量滚动更新，无需完整数组。
经典例子：爬楼梯（LeetCode 70）
假设你正在爬楼梯，每次可以跨 1 级或 2 级，问爬到第 n 级有多少种走法？
• 状态定义：dp[i] 表示到达第 i 级的方法数
• 转移方程：dp[i] = dp[i-1] + dp[i-2]
• 初始值：dp[0] = 1（地面算一种起点），dp[1] = 1
• JS 实现（空间优化版）：
function climbStairs(n) {
if (n <= 1) return 1;
let prev2 = 1, prev1 = 1;
for (let i = 2; i <= n; i++) {
let curr = prev1 + prev2;
prev2 = prev1;
prev1 = curr;
}
return prev1;
}
初学者容易忽略的要点
• 不要一上来就写 DP —— 先确认是否真有重叠子问题和最优子结构，否则可能过度设计。
• 状态定义要清晰：明确 dp[i] 代表什么（是“到 i 的最大值”？还是“以 i 结尾的最长长度”？），定义错，整个转移方程就崩了。
• 边界处理要小心：n=0、n=1、空数组等情况常被遗漏，JS 中 undefined 参与运算易引发 NaN。
• 调试建议：打印 dp 数组前几项，或加 console.log 观察状态变化，比纯脑补更可靠。
基本上就这些。动态规划在 JS 中不依赖特殊语法，靠的是思路清晰 + 状态建模 + 合理缓存。练熟几道典型题（斐波那契、爬楼梯、打家劫舍、最长公共子序列），再读别人的 DP 解法就容易看懂了。
