动态规划新手必刷：洛谷精选30道DP题解与实战技巧

1. 动态规划入门：从“怕”到“爱”的思维转变

很多编程新手一听到“动态规划”这四个字，心里就开始打鼓，觉得这玩意儿高深莫测，是算法竞赛里的大魔王。我刚开始学的时候也一样，看到状态转移方程就头疼，感觉像是在解天书。但后来刷了上百道题，尤其是把洛谷上那些经典的入门题啃下来之后，我才发现，动态规划其实是一套非常优美、有章可循的解题思想。它不是什么魔法，更像是一个经验丰富的“老管家”，帮你把复杂问题拆解、记录、再组合，最终高效地找到答案。

简单来说，动态规划的核心思想就是“记住过去，服务未来”。我们遇到一个大问题，直接求解可能很困难，但如果我们发现这个大问题可以由一系列更小的、结构相似的子问题组合而成，并且这些子问题的解可以被存储和复用，那么动态规划就派上用场了。这就像你要计算从1加到100，聪明的办法不是真的去加99次，而是发现（1+100）、（2+99）…这些配对的和都是101，一共有50对，所以结果是5050。动态规划就是帮你找到这种“配对”或者更通用的“子问题结构”的思维工具。

对于零基础的朋友，我强烈建议从洛谷这个平台开始。它的题目梯度设置得很友好，社区活跃，题解丰富。更重要的是，洛谷的很多动态规划题目都源于经典的模型，比如背包问题、最长公共子序列等，你吃透一道，往往就能解决一类。我当年就是靠着刷洛谷的精选DP题，才真正建立了信心，从“看见DP就想跳”变成了“看见问题先想想能不能DP”。接下来，我会结合我踩过的坑和总结的技巧，带你一起攻克洛谷上30道最适合新手的DP题，让你也能感受到那种“灵光一现”后顺利AC的快乐。

2. 动态规划核心心法：状态与转移

想要玩转动态规划，你必须掌握两个最核心的概念：状态定义和状态转移方程。这就像是武侠小说里的内功心法，招式可以千变万化，但心法根基必须扎实。

2.1 如何定义“状态”

状态，说白了就是描述当前问题局面的一组参数。定义状态是整个DP过程最关键的一步，定义得好，问题迎刃而解；定义得不好，就会陷入死胡同。我总结了一个“三步提问法”来帮助确定状态：

1. 问题在变化，是什么在变？ 找到那些随着决策进行而不断变化的量。比如在经典的“爬楼梯”问题里，你所在楼梯的“阶数”就是那个核心的变化量。
2. 这些变化量，如何量化表示？ 把找到的变化量用变量表示出来，这通常就直接构成了我们的状态数组维度。比如，用 dp[i] 表示到达第 i 级台阶的方法数。
3. 这个表示能否唯一确定一个子问题？ 确保你定义的状态包含了做出下一步决策所需的全部信息。比如在“背包问题”中，只记录当前考虑到的物品编号 i 是不够的，因为背包的剩余容量 j 也直接影响后续选择，所以状态必须是二维的 dp[i][j]。

拿洛谷的 P1439 【模板】最长公共子序列 来说，题目给了两个序列。最直接的想法就是模仿最长公共子序列（LCS）的经典定义：设 dp[i][j] 表示序列A的前 i 个字符和序列B的前 j 个字符能构成的最长公共子序列长度。这个定义清晰且唯一地刻画了“我们已经处理了A的前i部分和B的前j部分”这个子问题。新手常犯的错误是试图把“当前找到的公共子序列具体是什么”也塞进状态里，这会让状态变得极其复杂。DP的状态应该只记录“最优解的值”，而不是“解本身”。

2.2 构建“状态转移方程”

状态定义好了，接下来就是思考状态之间如何“流动”和“更新”，这就是状态转移方程。它描述了如何通过已知的、更小的子问题的解（通常是我们已经计算并存储在 dp 数组里的值），来推导出当前问题的解。

构建方程，我习惯用“最后一步”分析法。假设我们已经得到了当前状态 dp[i][j] 的最优解，那么得到这个解的最后一步操作可能是什么？ 然后我们枚举这最后一步的所有可能性，从这些可能性对应的前驱状态中，选出最优的那个，加上最后一步的代价或收益，就得到了当前状态的值。

以 P1140 相似基因 为例，我们定义了 dp[i][j] 为A序列前 i 个字符和B序列前 j 个字符的最大相似值。现在考虑得到 dp[i][j] 的最后一步匹配：

• 可能性1：A的第 i 个字符和B的第 j 个字符直接匹配。那么相似值就是 dp[i-1][j-1] 加上这两个字符的匹配得分。
• 可能性2：A的第 i 个字符和B中的一个“空位”（-）匹配。这相当于B序列在 j 位置插入一个空位来对应A的 i，那么相似值就是 dp[i-1][j] 加上A[i]与空位的匹配得分。
• 可能性3：B的第 j 个字符和A中的一个“空位”匹配。同理，相似值是 dp[i][j-1] 加上B[j]与空位的匹配得分。

dp[i][j] 应该取这三种可能性中的最大值。于是，转移方程就出来了：dp[i][j] = max(dp[i-1][j-1] + score[A[i]][B[j]], dp[i-1][j] + score[A[i]][-], dp[i][j-1] + score[-][B[j]])。你看，通过分析“最后一步”，方程就自然浮现了。刚开始你可能需要多在纸上画一画，但熟练之后，这个过程会越来越快。

3. 经典模型实战：背包问题全家桶

背包问题是动态规划里最经典、也最实用的模型之一，可以说是新手必须攻克的第一个堡垒。它的变体非常多，但核心思想都是：有一个容量有限的背包，和一堆有重量和价值的东西（物品），如何选择物品装入背包，使得总价值最大。

3.1 0/1背包：拿或不拿的抉择

0/1背包是最基础的模型，每个物品只有一件，要么拿（1），要么不拿（0）。洛谷的 P1048 采药 就是一道标准的0/1背包题。时间是背包容量，草药是物品，采药时间是其重量，草药价值是其价值。

我们定义状态 dp[j] 表示在总时间（容量）为 j 的情况下，能获得的最大价值。注意这里优化成了一维数组，这是0/1背包的一个经典空间优化技巧。为什么可以优化？因为每个物品只能使用一次，我们在更新 dp[j] 时，需要的是上一轮（考虑前i-1个物品时）容量为 j-w[i] 的状态。为了保证这个状态没有被当前物品污染，我们需要逆序枚举容量 j。

// 假设 time[i] 为采药时间， value[i] 为草药价值， T 为总时间
vector<int> dp(T + 1, 0);
for (int i = 0; i < n; ++i) { // 遍历每个物品
    for (int j = T; j >= time[i]; --j) { // 逆序枚举容量！
        dp[j] = max(dp[j], dp[j - time[i]] + value[i]);
    }
}
cout << dp[T] << endl;

这个逆序循环是新手最容易出错的地方。你可以这样理解：正序循环时，dp[j - time[i]] 可能在当前物品 i 的循环中已经被更新过了（即可能已经装入了物品 i），这就相当于物品被重复使用了，变成了“完全背包”的逻辑。而逆序保证了我们在计算 dp[j] 时，dp[j - time[i]] 对应的还是“没考虑过物品 i”的状态。

3.2 完全背包与多重背包：数量的游戏

完全背包允许多次选取同一物品。洛谷 P1616 疯狂的采药 就是完全背包。它的状态定义和0/1背包一样，但转移时，因为物品无限，所以我们可以从“已经拿过当前物品”的状态转移过来。实现上，只需把容量的循环从逆序改为正序即可。

for (int i = 0; i < n; ++i) {
    for (int j = time[i]; j <= T; ++j) { // 正序枚举容量！
        dp[j] = max(dp[j], dp[j - time[i]] + value[i]);
    }
}

正序循环意味着，在考虑容量 j 时，dp[j - time[i]] 可能已经包含了当前物品 i，这样就实现了物品的无限次使用。

多重背包则更复杂一些，每个物品有固定的数量上限 s[i]。最朴素的解法是把多重背包拆成多个0/1背包（即把 s[i] 个相同物品看成 s[i] 个不同物品），但这样效率低。更高效的方法是二进制拆分。比如一个物品有13个，我们不拆成13份，而是拆成1、2、4、6（13-1-2-4）这四份。这四份通过组合，可以表示出0到13之间的任何数量，同时物品项数从13降到了4，再对这四份做0/1背包，效率大大提升。洛谷 P1776 宝物筛选 就是一道很好的多重背包练习题，可以用二进制拆分来优化。

3.3 背包变体与应用

背包模型远不止于求最大价值。P2725 [USACO3.1]邮票 Stamps 就是一个精彩的变体。题目问给定面额的邮票，最多能用 K 张凑出从1开始的连续最大面值是多少。这看起来不像背包，但我们可以转化：把“面值”看成背包容量，dp[j] 表示凑出面值 j 所需的最少邮票张数。初始化 dp[0]=0，其他为无穷大。然后遍历每种面额的邮票（物品），进行完全背包式的更新（因为每种邮票无限张）。最后从1开始检查 dp[j] 是否小于等于 K，找到第一个不满足的 j，答案就是 j-1。这道题巧妙地将“可行性问题”转化为了背包问题。

4. 线性与序列上的DP：最长XX子序列

另一大类经典DP问题发生在序列上，比如求最长上升子序列（LIS）、最长公共子序列（LCS）等。这类问题通常状态定义直观，但优化技巧值得深究。

4.1 最长上升子序列（LIS）的两种境界

最朴素的LIS解法是 O(n^2) 的。定义 dp[i] 为以第 i 个元素结尾的最长上升子序列长度。转移方程是 dp[i] = max(dp[j]) + 1，其中 j < i 且 arr[j] < arr[i]。这需要两层循环。洛谷 P1020 导弹拦截 的第一问，求最长不上升子序列长度，就可以用类似思路解决，只是条件变为 arr[j] >= arr[i]。

但 O(n^2) 在 n 较大时会超时。这时就需要 O(n log n) 的贪心+二分优化算法。我们维护一个数组 d[]，d[len] 表示长度为 len 的上升子序列的末尾元素的最小值。这个数组是单调递增的。遍历原序列每个数 arr[i]：

• 如果 arr[i] > d[len]，直接加到末尾，len++。
• 否则，在 d[1...len] 中二分查找第一个大于等于 arr[i] 的位置 pos，并用 arr[i] 更新 d[pos]。

最终 len 就是LIS长度。这个算法的核心思想是：对于相同长度的子序列，我们只关心那个末尾元素最小的，因为它“潜力”更大，更有可能接上后面的元素。P2782 友好城市 就是LIS的变形应用题。我们将南岸城市排序后，北岸对应城市的编号序列，其最长上升子序列就是答案，因为这样才能保证航道不交叉。

4.2 最长公共子序列（LCS）与问题转化

经典的LCS定义 dp[i][j] 为A串前i位和B串前j位的LCS长度。转移方程是：

• 若 A[i] == B[j]，dp[i][j] = dp[i-1][j-1] + 1
• 否则，dp[i][j] = max(dp[i-1][j], dp[i][j-1])

但当序列元素都是整数且范围不大时，如 P1439 【模板】最长公共子序列，n 可达 10^5，O(n^2) 的DP肯定不行。这里就需要巧妙的问题转化。题目保证两个序列都是 1 到 n 的全排列。我们可以将第一个序列 a 的值映射为其下标（离散化），得到一个“位置映射”。然后按照这个映射，将第二个序列 b 转换成一个新的序列 c，其中 c[i] = pos[b[i]]（即 b[i] 在 a 中的位置）。

这时，神奇的事情发生了：求 a 和 b 的LCS，等价于求序列 c 的最长上升子序列（LIS）！因为 a 是严格递增的 1,2,3...n，b 中和 a 公共的部分，在 c 中对应的位置也必须保持递增顺序。于是，一个 O(n^2) 的问题，通过转化，变成了一个可以用 O(n log n) 解决的LIS问题。这种“转化问题”的思想在DP中至关重要，当你觉得直接DP复杂度太高时，不妨想想题目是否有特殊性质，能否转化为已知的、更高效的模型。

5. 区间、坐标与路径DP

当问题涉及到区间、二维坐标或者路径规划时，DP的状态定义往往需要更高的维度。

5.1 区间DP：从小段合并到大段

区间DP通常用来解决合并类问题，比如石子合并、括号匹配等。它的状态一般定义为 dp[i][j]，表示处理区间 [i, j] 所能得到的最优解。转移时，我们通常枚举一个分割点 k (i <= k < j)，将大区间 [i, j] 拆分成两个子区间 [i, k] 和 [k+1, j]，然后合并这两个子区间的解。关键点在于，我们需要先计算出所有更小区间的解，才能计算大区间，所以遍历顺序通常是按区间长度从小到大。

例如，最简单的石子合并问题（求最小合并代价），转移方程是：dp[i][j] = min(dp[i][k] + dp[k+1][j] + sum[i][j])，其中 sum[i][j] 是区间 [i, j] 的石子总重量，k 是分割点。我们需要先循环区间长度 len，再循环起点 i，算出终点 j = i + len - 1，最后在内层循环分割点 k。

5.2 坐标DP与路径规划

这类问题状态通常直接与坐标 (i, j) 相关。比如 P1004 方格取数，两个人从左上角走到右下角，取走路径上的数，求最大总和。一个最直接的状态定义是四维：dp[x1][y1][x2][y2] 表示第一个人走到 (x1, y1)，第二个人走到 (x2, y2) 时取到的最大和。但这样复杂度是 O(n^4)。

我们可以优化状态，利用“两人步数相同”的性质。设步数为 s，那么 x1 + y1 = x2 + y2 = s。所以我们可以用三维状态 dp[s][x1][x2] 来表示，其中 s 是步数，x1, x2 分别是两人的横坐标，两人的纵坐标可以通过 y1 = s - x1, y2 = s - x2 算出。这样状态数从 n^4 降到了约 2n * n^2 = O(n^3)，是一个很大的优化。转移时，考虑两人上一步从哪里来（上或左），共有2*2=4种组合。

P6208 [USACO06OCT]Cow Pie Treasures G 也是一道有趣的坐标DP。定义 dp[i][j] 为走到 (i, j) 能获得的最大值。但由于只能向右、右上、右下走，且必须从第一列开始，所以更新顺序很重要。我们需要按列 j 从左到右遍历，对于每一列，再从上到下（或从下到上）更新每个行 i 的 dp 值，确保在更新 (i, j) 时，(i-1, j-1)，(i, j-1)，(i+1, j-1) 这些“上一步”的位置已经被计算过了。这种对遍历顺序的考量，在坐标DP中很常见。

6. 状态压缩与树形DP初探

当问题规模不大，但状态本身比较复杂（比如一个集合）时，我们可以用状态压缩DP。当问题的结构是一棵树时，树形DP就派上用场了。

6.1 状态压缩DP：用二进制表示集合

状态压缩DP通常用于解决“旅行商问题（TSP）”或者棋盘摆放这类问题，其中状态包含了一个集合信息（比如哪些城市已经访问过，哪些格子被占用）。由于集合可以用二进制位来表示（1表示包含，0表示不包含），一个整数就能代表一个集合，从而可以用作DP状态的一个维度。

例如，一个经典的模型是：有 n 个城市，从城市0出发，要访问所有城市恰好一次后回到起点，求最短路径。我们可以定义 dp[S][i] 表示已经访问过的城市集合为 S（二进制掩码），当前位于城市 i 时的最短路径长度。转移时，枚举下一个还没访问的城市 j，更新 dp[S | (1<<j)][j] = min(dp[S | (1<<j)][j], dp[S][i] + dist[i][j])。这里 S | (1<<j) 表示将城市 j 加入集合 S。最终答案是 dp[(1<<n)-1][i] + dist[i][0] 的最小值，即访问完所有城市并回到0。

洛谷上很多状压DP的入门题，比如 P1896 [SCOI2005]互不侵犯，在 N x N 的棋盘上放 K 个国王，他们不能互相攻击。我们可以用 dp[i][j][S] 表示前 i 行，已经放了 j 个国王，且第 i 行的摆放状态为 S（一个二进制数，1表示放国王）的方案数。转移时，检查第 i 行的状态 S 自身是否合法（相邻不能放），以及 S 和上一行的状态 T 是否冲突（上下、对角不能同时放）。

6.2 树形DP：递归与回溯

树形DP通常以递归（DFS）的形式实现，因为树的结构天然适合递归遍历。状态设计往往和树的节点相关。一个典型的例子是“没有上司的舞会”（洛谷 P1352），每个员工有一个快乐值，但不能和直接上司同时参加。我们定义 dp[u][0] 表示以 u 为根的子树，u 不参加时的最大快乐值；dp[u][1] 表示 u 参加时的最大快乐值。

那么，转移方程在DFS回溯时进行：

• u 不参加：那么它的每个子节点 v 可以参加也可以不参加，所以 dp[u][0] += max(dp[v][0], dp[v][1])
• u 参加：那么它的所有子节点都不能参加，所以 dp[u][1] += dp[v][0]

最后，根节点的答案就是 max(dp[root][0], dp[root][1])。树形DP的关键在于，通过后序遍历（先处理所有子树），保证在计算父节点状态时，所有子节点的状态已经计算完毕。P2015 二叉苹果树 也是一个很好的练习，它本质上是一个树上的背包问题：保留 Q 条树枝，使得留下的苹果最多。定义 dp[u][j] 为以 u 为根的子树，保留 j 条树枝（边）能获得的最大苹果数，然后在合并各个子树时，做一个分组背包的转移即可。

7. 刷题路线与避坑指南

纸上得来终觉浅，绝知此事要躬行。看了这么多理论和例题，最重要的还是动手去刷。这里我结合自己的经验，给你规划一条洛谷DP的刷题路线，并分享几个我踩过的“大坑”。

7.1 新手30题精选路线

我建议按照从易到难、从模型到综合的顺序来刷，这样能循序渐进地建立信心和能力。下面这个路线图你可以参考：

你可以根据自己的进度调整，每个阶段确保把核心题目吃透，理解为什么这么定义状态，转移方程怎么来的，而不是仅仅背下代码。遇到难题时，一定要先自己思考至少20分钟，画图、列状态，实在想不出再看题解，并对比自己的思路卡在了哪里。

7.2 常见“坑点”与调试心得

1. 数组越界与初始化：这是最常见的错误。DP数组的大小一定要开够，通常要比理论最大值多开一点（比如+5或+10）。初始化至关重要，dp[0] 或者 dp[0][0] 这种“起点”状态的值通常不是0就是1，要根据题意设定。其他状态一般初始化为一个不可能的值（比如求最大值时初始化为负无穷，求最小值时初始化为正无穷），以确保它们能被正确更新。
2. 遍历顺序：这是DP的灵魂，顺序错了全盘皆输。对于背包问题，牢记“0/1背包逆序，完全背包正序”。对于区间DP，要先枚举区间长度。对于坐标DP，要保证在计算 dp[i][j] 时，它所依赖的前驱状态都已经计算过了。多花时间在纸上模拟一下循环过程，能帮你理清顺序。
3. 状态定义模糊：这是导致思路混乱的根源。一定要用一句清晰的话描述出 dp[i][j] 的确切含义。比如在 P1103 书本整理 中，dp[i][j] 不能模糊地定义为“前i本书选j本”，而必须明确是“从前i本书中选出j本书，并且第i本书是这j本书中的最后一本”时的最小不整齐度。这个“最后一本”的限定，是连接状态转移的桥梁，没有它，你就不知道新加入的书应该和哪本书计算高度差。
4. 整数溢出：DP的中间结果或最终答案可能非常大，远超 int 范围。在像C++这样的语言中，要时刻警惕，该用 long long 的时候不要吝啬。特别是在计数类DP（比如求方案数）或价值累加很大的题目中。
5. 被“标签”迷惑：洛谷的题目标签是用户添加的，有时不一定准确。有些题打了DP的标签，但可能用贪心、搜索甚至数学方法更简单。比如 P1649 [USACO07OCT]Obstacle Course S，虽然标签有DP，但用BFS求最少转弯次数更直观。P2782 友好城市，核心是排序后求LIS，DP只是实现LIS的手段。所以，不要被标签限制思路，最重要的是分析题目本身的结构。

最后，分享一个我的调试习惯：在写出转移方程后，不要急着敲完整代码，先用手算或者写个小程序模拟一个最简单的例子（比如 n=3 或 n=4），把整个 dp 表打印出来，看看每个格子的值是不是按你预期的方式填写的。这个过程能帮你发现90%以上的逻辑错误。动态规划的学习是一个螺旋上升的过程，初期会觉得很难，但当你刷够一定量的题目，建立起“模型识别”和“状态设计”的肌肉记忆后，你会发现很多新题不过是旧瓶装新酒，那种解题的成就感是无与伦比的。就从今天开始，挑一道最简单的题，动手写起来吧。