写一个动态规划python算法的代码，用来解决生产过程中的多阶段决策问题

动态规划是解决多阶段决策过程优化问题的一种方法，它将复杂问题分解为更小的子问题，并存储这些子问题的解（通常以数组或表格的形式），以避免重复计算。在生产过程中，动态规划可以用来优化生产计划、库存管理、资源分配等问题。下面是一个使用Python实现的动态规划算法示例，该示例用于解决一个简单的生产调度问题：

假设有一个生产任务，需要在有限的天数内完成若干产品的生产，每天可以生产的最大产品数量有限，目标是确定每天生产多少产品，以使得总成本最低。

这里我们用一个简单的例子来说明动态规划的思想，其中：

- `n` 表示天数。
- `demand` 表示每天的产品需求量。
- `max_production` 表示每天最多可以生产的最大产品数量。
- `cost` 是一个二维数组，`cost[i][j]` 表示在第 `i` 天生产 `j` 个产品的成本。

def production_planning(days, demand, max_production, cost):
    # 初始化一个二维数组来存储最小成本，多加一行和一列用于处理边界情况
    dp = [[float('inf')] * (max_production + 1) for _ in range(days + 1)]
    
    # 初始化第一天的生产成本
    dp[0][0] = 0
    
    # 动态规划填表
    for i in range(1, days + 1):
        for j in range(max_production + 1):
            # 计算前一天的累计成本
            for k in range(min(j, max_production) + 1):
                dp[i][j] = min(dp[i][j], dp[i-1][j-k] + cost[i-1][k])
    
    # 最终结果是在最后一个生产日，满足所有需求量的最小累计成本
    final_cost = float('inf')
    for j in range(max_production + 1):
        final_cost = min(final_cost, dp[days][j])
    
    return final_cost

# 示例输入
days = 3
demand = [10, 20, 30]  # 每天的需求量
max_production = 10     # 每天的最大生产量
cost = [[1, 1, 1], [2, 2, 2], [3, 3, 3]]  # 生产成本

# 计算最小成本
print(production_planning(days, demand, max_production, cost))

这个算法通过填表的方式计算每天生产不同数量产品时的最小成本，最后根据最后一天的生产情况确定最小总成本。