用python随机生成6个矩阵的矩阵链相乘问题，应用动态规划算法进行求解，给出最优值和最优解并分析时间复杂度。

首先，我们来理解一下矩阵链相乘问题。矩阵链相乘问题就是给定n个矩阵A1，A2，...，An，其中Ai的规模为pi-1 x pi（i=1,2,...,n），求完全括号化矩阵乘积的最小代价。例如，A1为10x100的矩阵，A2为100x5的矩阵，A3为5x50的矩阵，那么(A1A2)A3和A1(A2A3)的计算次数不同，代价也不同，需要找到一种最优的计算顺序使得代价最小。

接下来，我们来看动态规划算法的思路。

1. 状态定义：设m[i][j]表示Ai...j的最小代价

2. 状态转移方程：m[i][j] = min{m[i][k] + m[k+1][j] + pi-1 x pk x pj} (i <= k < j)

3. 初始状态：m[i][i] = 0

4. 最终结果：m[1][n]

接下来，我们来实现这个算法。我们先随机生成6个矩阵，并且将它们存储在一个列表中。代码如下：

import random

# 随机生成6个矩阵
matrix_list = []
for i in range(6):
    m = random.randint(1, 50)
    n = random.randint(1, 50)
    matrix_list.append((m, n))

print(matrix_list)

接着，我们来实现动态规划算法来求解最优值和最优解。代码如下：

# 动态规划算法求解最优值和最优解
def matrix_chain_order(matrix_list):
    # 矩阵个数
    n = len(matrix_list)

    # 初始化m和s
    m = [[0] * n for _ in range(n)]
    s = [[0] * n for _ in range(n)]

    # 动态规划求解
    for l in range(2, n+1):
        for i in range(1, n-l+2):
            j = i + l - 1
            m[i-1][j-1] = float('inf')
            for k in range(i, j):
                q = m[i-1][k-1] + m[k][j-1] + matrix_list[i-1][0] * matrix_list[k-1][1] * matrix_list[j-1][1]
                if q < m[i-1][j-1]:
                    m[i-1][j-1] = q
                    s[i-1][j-1] = k

    # 返回最优值和最优解
    return m[0][n-1], s

# 打印最优值和最优解
optimal_value, optimal_solution = matrix_chain_order(matrix_list)
print("最优值：", optimal_value)
print("最优解：", optimal_solution)

最后，我们来分析一下时间复杂度。由于要遍历三个循环，因此时间复杂度为O(n^3)。