0.dp
dp的本质上是在一个有向无环图上做拓扑，当前状态不会受后续结果的影响，因此设计状态是这很重要的一点
考虑转移方程 ，可以从当前这个点，可以从哪些点走过来，或者说当前这个点可以走到哪些点。
设计到一段数字中选取不回头的多少个
1.线性d
一维状态 枚举以什么结尾，最后一个数字是什么等等
二维可以枚举其他需要的性质
利用 i % 2 和 i - 1 % 2 实现滚动数组，可以不需要设置外置的数组
同时写答案的时候也得 n % 2
如果观察到字母比较有限，可以考虑从字母 26
设计到一段数字中选取不回头或者删除多少个 ， 设方程的时候还可以维护选取了j个
2.背包dp
背包有几个状态就考虑开几维数组
背包中求方案数，和价值有细微的区别，求价值是求最大值，而方案数是求总和，因此，方案数的转移只需要将所有前置的情况加在一起就行了
背包问题用来解决求子集问题 如 1 2 4 7
求可以达到的价值和
3.树形dp
设计对树形dp递归的临近状态，如果以图的方式存储那就按拓扑序进行
如果是left right 访问二叉树，当left == right 访问到了叶节点
4.状压dp
状压dp有俩种，一种是带有显明的“层数”转移，俩种状态之间存在唯一的转移情况，往往是线性的状压dp，另一种是是类似枚举状态，通过各种的预处理，实现目前状态的最优解。
图上状压是真的挺难的题 ， 通过枚举图上一些特殊点，来实现转移 ，有种bfs的思想在里面,只不过队列中的元素变成了状态
5.期望dp
期望dp 其实更像是一些数学问题，首先得知道一个 E(ax + by) = a*E(x) + b * E(y)
左边是转移目表，右边是已知状态
期望dp要从已知的状态 向未知的状态转移，讲起来好像有点抽象
举个例子，求从起点到终点的期望，但你初始知道的是终点到终点的期望为0，所以你应该从终点开始反向转移，
做了很多题，发现到头了还是数学思维比较重要
6.数位dp
数位dp 其实很想是一个数位上的记忆化搜索，对于这些题，其实都有一定的套路
如果是多次数位dp，你可以观察哪些量需要重置 , limit 这个限制多半是要重置的，但lead0等等性质其实都不需要重置，因为他填的是数位，并非具体的数字
不同的数的dp状态其实只有那个limit不同，把limit放在状态外 就能实现一次memset
或者说，设计状态的时候没有limit这以为