用状态机的技巧（不要害怕，其实就是DP table）来解决股票买卖问题，可以全部提交通过。
leetcode 买卖股票的最佳时机的 6 道题是有共性的，看下 IV 题，是最泛化的形式，其他的问题都是这个形式的简化：
第 I 题是只进行一次交易， 相当于 k = 1;
第 II 题是不限交易次数，相当于 k = +INF；
第 III 题是只进行2次交易，相当于 k = 2；
剩下两道题也是不限次数，但是加了交易 「冷冻期」和「⼿续费」的额外条件，其实就是第二题的变种，都很容易处理。
一、穷举框架
如何穷举？穷举和递归的思想不太一样。递归其实是符合我们思考的逻辑的：一步步推进，遇到无法解决的就丢给递归，一不小心就做出来，可读性还很好。缺点就是一旦出错，也不容易找到错误出现的原因。
这里我们利用「状态」进⾏穷举。具体到每一天，看看总共有几种可能的「状态」，再找出每个「状态」对应的选择，穷举的目的是根据对应的「选择」更新状态。
比如这个问题，每天都有三种「选择」：买入（buy）、卖出(sell)、无操作(rest)。但这三种选择不是相互独立的：sell 必须在 buy 之后。并且操作还应该分两种状态，一种是未持有（0）的操作，一种是已持有（1）后的操作。并且，剩余可交易次数 k 还限制 buy 只能在 k>0 的前提下操作。
这个问题的「状态」有三个： 第⼀个是天数；第⼆个是允许交易的最⼤次数；第三个是当前的持有状态（ 1 表⽰持有，0 表⽰空仓），然后我们用一个三维数组就可以 装下下面这几种状态的全部组合：
dp[3][2][1] 的含义：今天是第三天，现在手上持有股票，最多允许2次交易。
我们想求的最终答案是dp[n-1][K][0]，即最后一天，最多允许K次交易，最多获得多少利润。[0] 表示最终不持有股票，当然比持有股票利润更大。
二、状态转移框架
我们已经完成了「状态」的穷举，现在思考每种「状态」有哪些「选择」，应该如何更新「状态」。
如果 buy，就要从利润中减去 prices[i]，如果 sell，就要给利润增加 prices[i]。并且注意 k 的限制，我们在选择 buy 的时候，把 k 减小 1，相当于剩下可用的交易次数少 1。
（如果 k 代表当前允许交易次数的话，随着买入操作，k应该减小，是买入导致了k减小，所以应该是 dp[i][k-1][l] = dp[i-1][k][0] - prices[i]；而此处 k 代表当前已进行的交易次数，所以随着买入操作，k会增大。两种理解都可以，就是状态转移方程和base case 里面涉及k的对应修改一下。作者这里的解释和他给的状态转移方程对不上，读者不必纠结，按这两种k的理解写出自己的状态转移方程和base case 即可）
这里需要做出更详细的解释。假设 i = 5，那么我们着手画出它的状态转移图：
好吧，画不下去了。
原因是：第4天到底是卖出、买入还是休息，取决于目前是否已经持有股票，所以这里分化出了两棵树：一棵是当前持有，一棵是当前空仓。
而第4天是否持有股票又取决于第3天的持有状态及操作。
当没有买卖次数的限制条件时，上图的每条路径都可以走，但当有了买卖次数限制条件 k 时，每做 1 次买卖（假设买时记 k-1，卖时k不变），k 将减少 1，直到 k=0 时，允许的可买卖次数用尽，后面的买路径就不能再走了，如下图所示，假如走了绿色的路径，那红色的路径就因为k=0不能再买入而走不通了：
（注意，这里的 k 表示当前允许的最大买卖次数）
那么 k 的加入相当于帮我们剪掉了某些路径，一旦 k = 0，就不能再进行买入操作。所以我们每次操作选择后，还需要维护 k 的状态，但选择不同的路径，会获得不同的 k 值，也就是 :
dp[0][0] 第0天，空仓，对应一个 k值为1,
dp[1][0] 第1天，空仓，对应一个k值为1，
dp[1][1] 第1天，持有，对应一个k值为0，
dp[2][0] 第2天，空仓，这里就有两种可能，
如果dp[2][0] = dp[1][1] + prices[1]，说明第一天持有并卖出，k = 0
如果dp[2][0] = dp[1][0]，说明第一天空仓并休息，k=1
所以 k 与 dp[i][s] 是多对一关系，且范围在 [0,k] 波动，所以这些可能性需要新开一个维度来记录，现在dp[i][s] 扩展到了 dp[i][k][s]，那么 dp[i][0][s] 代表 k=0时的dp[i][s]值，而 dp[i][1][s] 代表 k=1时的值。这里不太容易理解，也就是数组下标对应了 k 的取值，刚好数组下标不能小于0。
现在，我们已经完成了动态规划中最困难的一步：状态转移方程。下面就要定义base case了：
（作者这里的解释不对， k=0意味着不允许交易，但不是利润为0的原因，虽然不允许交易，但可以继承前面几天的利润对吧？这里利润为0是因为，他定义的 k=0 其实是当前已交易次数，最大交易次数是1，已交易次数为0，说明没有交易过 ，利润当然是0；而dp[i][0][1] = -infinity 也不是因为不允许交易的情况下不可能持有股票，因为可以继承过去买入的股票，虽然不能买入但一直没有卖出，也是持有股票的对吧？作者定义的 k=0其实是当前已交易次数，当前已交易次数为0说明不可能已经买入，所以不可能持有。）
把上面的状态转移方程总结一下：
三、题目实战
1. 第 I 题，k = 1
k=1 即只允许买卖一次，状态转移方程如下（注意作者的 k 表示当前已交易次数）：
（第 i 天，空仓）的状态，可以从（第 i-1 天，空仓，第 i 天休息）、（第 i-1天，持有，第i 天卖出）这两种途径达到。
（第 i 天，持有）的状态，可以从（第i-1天，持有，第 i 天休息）、（第 i-1 天，空仓，第 i 天买入）这两种途径达到。
化简后发现 k 都是 1，即对状态转移方程没有影响，可以进一步简化：
写出代码：
dp[n-1][0] 就是最后一天，空仓时的总收益。
但 i=0 时， dp[i-1] 是越界的，所以还要对base case 进行处理。
注意今天的状态只依赖于昨天的状态，所以用不上整个dp 数组，只需要两个变量来更新每天的持有、空仓两个状态即可。
2. 第 II 题，k = +INF
·如果 k 为正无穷，可以认为 k 和 k-1是一样的，可以这样改写状态转移方程：
代码如下：
3. 最佳买卖股票时机含冷冻期 ，k = + INF with cooldown
每次卖出后，要等一天才能继续交易，只要把这个特点融入上一题的状态转移方程即可：
代码：
4. 最佳买卖股票时机含手续费，k = + INF with fee
每次交易要支付手续费，只要把手续费从利润中减去即可。
代码：
5. 第 III 题，k = 2
由于没有消除 k的影响，所以必须对 k 进行穷举（循环）：
其实这里有点问题，max_k 不一定 小于 n，假如只有2天，max_k = 3，这样会产生非常多的无效计算：
当然这种穷举不是每个 dp[i][k][s] 都有意义，比如 dp[0][1][s] 代表第0天只允许再交易1次，但这样的节点是不可能存在的，一开始允许的交易最大次数是2次；再者，dp[1][0][s] 也是不可能存在的，因为刚过去一天，不可能交易次数就减少了2。（如下图示 i、k与作者的设定不同，i =0 表示还未开始，i=1才表示第一天，k=2表示还未买入，k=0表示已买过2次，允许购买次数为0）
由于 k 的取值范围比较小，这里还可以直接把 k=1和 k=2的情况全部列出来：
6. 第 IV 题，K = 给定
有了 K=2 的铺垫，这题解法应该和上一题没什么区别，但会超内存。其实有效的 K 不应该超过 n/2，更进一步地，在穷举过程中，如果 k 表示已交易次数， k应该 不大于 i/2，因为每两天最多交易一次；如果 k表示当前最大可交易数，K - k < i/2。
这里代码只处理了宏观的情况，即给定的 K 不应超过 n/2 的情况，直接当成K=INF 来调用了前面的代码：
四、总结
用一个状态转移方程完成了 6 道股票买卖问题，其实不难，但这已经属于动态规划问题中较困难的了，我们发现了三个状态，使用了一个三维数组，可以说是三维DP问题了，但解法无非还是穷举 + 更新。
关键就在于列出所有可能的「状态」，然后想想怎么穷举更新这些「状态」。一般用一个多维 dp 数组存储这些状态，从 base case 开始向后推进，推进道最后的状态，就是我们想要的答案。
作者这part写得不是很好，他的思路和如下差不多，但没写清楚，有疑惑的朋友可以看下面的（leetcode @千万利器莫过于信念）：
