動態規劃和貪心算法都是用來求最優化問題，且二者都必須具有最有子結構。貪心算法可以解決的問題，動態規劃都能解決，可以說，貪心算法是動態規劃的一個特例。
貪心算法和動態規劃最大的不同在於，它並不是首先尋找子問題的最優解，然後在其中進行選擇，而是首先做一次貪心選擇——在當時（局部）看來最有選擇——然後求解選出的子問題，從而不必費心求解所有可能相關的子問題。
動態規劃
動態規劃（dynamic programming）與分治法相似，都是通過組合子問題的解來求解原問題。分治法將問題劃分爲互不相交的子問題，遞歸求解子問題，再將它們的解組合起來，求出原問題的解。與之相反，動態規劃應用於子問題重疊的情況，即不同的子問題具有公共的子子問題（子問題的求解釋遞歸進行的，將其劃分爲更小的子子問題）。這種情況下，動態規劃對公共子子問題只求一次解，而分治法會反覆求解公共子子問題。
我們通常按如下四個步驟來設計一個動態規劃算法：
- 刻畫一個最優解的結構特徵（如果一個問題的最優解包含其子問題的最優解，就稱此問題具有最有子結構性質）。
- 遞歸的定義最優解的值。
- 計算最優解的值，通常採用自底向上的方法。
- 利用計算出的信息構造一個最優解。
eg：最長公共子序列（LCS）問題。
貪心算法
求解最優化問題的算法通常需要經過一系列的步驟，在每個步驟都面臨多種選擇。對於許多最優化問題，使用動態規劃算法求最優解有些殺雞用牛刀了，可以使用更簡單更優化的算法，即貪心算法（greedy algorithm）。它在每一步都做出當時看起來最佳的選擇。也就是說，它總是做出局部最優的選擇，寄希望這樣的選擇能導致全局最優解。貪心算法並不保證得到最優解，但對很多問題確實可以求得最優解。
可以按如下步驟 設計貪心算法：
- 將最優化問題轉化爲這樣的形式：對其作出一次選擇後，只剩下一個子問題需要求解。
- 證明作出貪心選擇後，原問題總是存在最優解，即貪心選擇總是安全的。
- 證明作出貪心選擇後，剩餘的子問題滿足性質：其最優解與貪心選擇組合即可得到原問題的最優解，這樣就得到了最優子結構。
貪心選擇性質（greedy-choice property）：我們可以通過作出局部最優（貪心）選擇來構造全局最優解。換句話說，當進行選擇時，我們直接作出在當前問題中看來最優的選擇，而不必考慮子問題的解。
這也是貪心算法與動態規劃的不同之處。在動態規劃方法中，每個步驟都要進行一次選擇，但選擇通常依賴於子問題的解。因此，我們通常以一種自底向上的方式求解動態規劃問題，先求解嬌小的子問題，然後是交大的子問題（我們也可以自頂向下求解，但需要備忘機制。當然，即使算法是自頂向下進行計算，我們仍然需要先求解子問題再進行選擇）。在貪心算法中，我們總是做出當時看來最佳的選擇，然後求解剩下的唯一子問題。貪心算法進行選擇時可能依賴於之前做出的選擇，但不依賴於任何將來的選擇或是子問題的解。因此，與動態規劃先求解子問題才能進行第一次選擇不用，貪心算法在進行第一次選擇之前不求解任何子問題。一個動態規劃算法是自底向上進行計算的，而一個貪心算法通常是自頂向下的，進行一次又一次選擇，將給定問題實例變得更小。
eg：赫夫曼編碼、最小生成樹算法（Kruskal算法和Prim算法）