动态规划算法通常用于求解具有某种最优性质的问题。在这类问题中，可能会有许多可行解。每一个解都对应于一个值，我们希望找到具有最优值的解。动态规划算法与分治法类似，其基本思想也是将待求解问题分解成若干个子问题，先求解子问题，然后从这些子问题的解得到原问题的解。与分治法不同的是，适合于用动态规划求解的问题，经分解得到子问题往往不是互相独立的。若用分治法来解这类问题，则分解得到的子问题数目太多，有些子问题被重复计算了很多次。如果我们能够保存已解决的子问题的答案，而在需要时再找出已求得的答案，这样就可以避免大量的重复计算，节省时间。我们可以用一个表来记录所有已解的子问题的答案。不管该子问题以后是否被用到，只要它被计算过，就将其结果填入表中。这就是动态规划法的基本思路。具体的动态规划算法多种多样，但它们具有相同的填表格式。
如果大家对于动态规划不是很熟悉的话，可能看着上面一段文字会不知所云，我一般的学习方法是首先扫描一下基本定义，不深究（有点不求甚解的味道），然后去看一些实例，结合自己的体会，最后再回顾，精读一下定义，这样我对定义才能够真正的理解。下面我们依托一个经典的算法问题来体现上面这段文字的思想，0-1背包问题在算法学习中可谓是必修课程，一般在讲动态规划问题的时候都会用到这个例子。
问题描述：一个旅行者有一个最多能用M公斤的背包，现在有N件物品， 它们的重量分别是W1，W2，...,Wn, 它们的价值分别为P1,P2,...,Pn. 若每种物品只有一件 在不超过M公斤的前提下，求旅行者能获得最大总价值的方案。
输入格式：M,N W1,P1 W2,P2 ......
问题分析：最基础的背包问题，特点是：每种物品仅有一件，可以选择放或不放。用子问题定义状态：即f[i][j]表示前i件物品恰放入一个容量为j的背包可以获得的最大价值。则其状态转移方程便是：f[i][j] = max{f[i-1][j], f[i-1][j-w[i]]+P[i]} 则问题就迎刃而解了。
动态规划算法的基本思想是：将待求解的问题分解成若干个相互联系的子问题，先求解子问题，然后从这些子问题的解得到原问题的解；对于重复出现的子问题，只在第一次遇到的时候对它进行求解，并把答案保存起来，让以后再次遇到时直接引用答案，不必重新求解。动态规划算法将问题的解决方案视为一系列决策的结果，与贪婪算法不同的是，在贪婪算法中，每采用一次贪婪准则，便做出一个不可撤回的决策；而在动态规划算法中，还要考察每个最优决策序列中是否包含一个最优决策子序列，即问题是否具有最优子结构性质。