这样来看dp数组
dp[i] 的含义是由下标 i 和 dp[] 共同构成的，先明确 下标 i ，再明确 dp[i] ,做题过程中时刻不忘他们的含义
比如 i 代表有 i 件物品，
i 套上 dp[] 后就表示 i 件物品能获得的最大利润
思考动态规划 dp 数组长度和更新 dp[i] 的方式
维度可以简单的根据有几个 for 循环遍历 dp 数组来进行划分
一维的一样
取 nums + 1 长度，就赋值 nums[1] , 返回 dp[nums.length] , 取 nums 长度，就赋值 nums[0] , 返回 dp[nums.length - 1]
-
正常来讲我们的 dp 数组，都是 nums.length +1 的长度，因为题目取不到 0，所以这种是从 1 开始的，返回dp[nums.length]。 -
但是如果 dp 数组长度，与 nums 的长度一样，即使题目条件范围取不到 0 ，我们也得给 dp[0] 赋值了，dp[0] 赋 dp[1] 的值，那么返回 dp[nums.length-1]
+= 和 = 作用一样，因为 dp[i] 都为 0 ，选择自己觉得最舒服的解释来用 += 和 = 就行
dp数组[0, 1, 2, 3] 和 dp数组 [1, 2, 3] 一样的，+= 和 = 也一样的
二维的不一样
常见的就是背包类型问题
dp 数组明确为 dp[i][j]，可以使用滚动数组优化为 dp[i]
+= 和 = 作用不一样，因为 dp[i - 1][j] 初始值不为 0 了，+= 就只能用来求累加；= 就只能用来求最大或最小值，或者能不能凑出 target
dp 数组同样的 nums+1 的长度，dp[0] 赋值和 dp[0] 不赋值，所带来的差异将是巨大的。可以看看我的 494.目标和，对题解代码的深入理解
总结
一维就没什么好说的了，二维因为多了一个维度来遍历 dp 数组，就带来了天翻地覆的变化，在做二维问题时（比如背包问题）一定要谨慎区分 += 和 = ，背包问题数组长度无脑初始化为 bagSize + 1 就行。
对于二维问题（初始化长度为 bagSize + 1） dp[0] 赋值是一种优化？？这个暂时没想明白，如果有大佬懂得话，希望能解释一下。