这篇知乎回答的就很好，通俗易懂：如何理解动态规划

动态规划（Dynamic Programming）

用空间换时间的思想，给人一种很宏大的感觉。但其实对所谓动态和规划都没有那么深的体现，可以简单得理解为是对传统递归的一种优化。
这里programming不是编程的意思，而是决策。但这种决策不是一下就出来的，而是一步步(multistage)积累出来。换句话说我们需要一个决策，但这个决策太大了，我们做不了，所以需要把他递归到我们可以简单做出决策的状态，然后从这些状态开始，慢慢的“动态地”演进到最终的决策。
所以在DP的实践中很重要的就是递推关系和边界条件。所谓边界条件就是最简单的情况，所谓递推关系就是如果你已经知道这么多，再多给你一个，你怎么得到。

典型的DP(动态规划)思想：说一个最最最简单的例子，找出一个数组中的最大值。这个问题边界条件是什么呢，就是如果只有一个元素，那最大值就是他；递推关系是什么，就是你已经知道当下最大的数，再多给你一个数你怎么办。你会拿这个数和当下最大的数去比，其中较大的那个就是新的最大的数。这就是典型dp的思想。所以不要把DP看的过于高深就好了。

按照定义，动态规划是把一个大问题拆解成一堆小问题，这个本身没有问题，但是我觉得这个并不是 动态规划 的核心思想，或者说，一个“大问题”之所以能用“动态规划”解决，并不是因为它能拆解成一堆小问题，事实上啥大问题都能拆解成小问题，但这不是动态规划的核心。
核心应该是：取决于该问题是否能用动态规划解决的是这些”小问题“会不会被被重复调用。

注意递归与动态规划的关系，动态规划绝不是递归。涉及递推关系的算法问题，可以用动态规划思维解决的，用递归一样可以解决，关键在于要注意到算法性能，通过矩阵数组保存中间过程运算结果，从而避免不必要的重复计算。一句话，去除了重复计算的递归就是动态规划。

经典例题：举个例子，有n个阶梯，一个人每一步只能跨一个台阶或是两个台阶，问这个人一共有多少种走法？（听懂了就试一试吧！！！）

一个优秀博客的题集，关于递归和动态规划问题整理：递归与动态规划题集

贪心算法（又称贪婪算法）

贪心算法可以简单描述为：大事化小，小事化了。对于一个较大的问题，通过找到与子问题的重叠，把复杂的问题划分为多个小问题。并且对于每个子问题的解进行选择，找出最优值，进行处理，再找出最优值，再处理。也就是说贪心算法是一种在每一步选择中都采取在当前状态下最好或最优的选择，从而希望得到结果是最好或最优的算法。
贪心算法在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，所做出的仅是在某种意义上的局部最优解。贪心算法不是对所有问题都能得到整体最优解，但对范围相当广泛的许多问题他能产生整体最优解或者是整体最优解的近似解。

算法流程：
1.建立数学模型来描述问题
2.把求解的问题分成若干个子问题。
3.对每一子问题求解，得到子问题的局部最优解。
4.把子问题的局部最优解合成原来问题的一个解。