使用动态规划算法求两个序列的最长公共子序列，需构造一条最长公共子序列。 输入 每组输入包括两行，每行包括一个字符串。 输出 两个字符序列的一条最长公共子序列。（输入已确保最长公共子序列的唯一性）

以下是使用动态规划算法求解两个序列的最长公共子序列的 Python 代码：

def lcs(s1, s2):
    m, n = len(s1), len(s2)
    dp = [[0] * (n + 1) for _ in range(m + 1)]
    for i in range(1, m + 1):
        for j in range(1, n + 1):
            if s1[i - 1] == s2[j - 1]:
                dp[i][j] = dp[i - 1][j - 1] + 1
            else:
                dp[i][j] = max(dp[i - 1][j], dp[i][j - 1])
    i, j = m, n
    lcs_str = ""
    while i > 0 and j > 0:
        if s1[i - 1] == s2[j - 1]:
            lcs_str = s1[i - 1] + lcs_str
            i -= 1
            j -= 1
        elif dp[i - 1][j] > dp[i][j - 1]:
            i -= 1
        else:
            j -= 1
    return lcs_str

其中 `s1` 和 `s2` 分别表示两个字符串，函数返回它们的最长公共子序列。在动态规划的过程中，我们使用一个二维数组 `dp` 来记录子问题的最优解，其中 `dp[i][j]` 表示 `s1` 的前 `i` 个字符和 `s2` 的前 `j` 个字符的最长公共子序列长度。在计算 `dp[i][j]` 的过程中，如果 `s1[i-1]` 和 `s2[j-1]` 相等，则 `dp[i][j]` 等于 `dp[i-1][j-1] + 1`，否则 `dp[i][j]` 等于 `max(dp[i-1][j], dp[i][j-1])`。最后，我们可以根据 `dp` 数组和两个字符串构造出最长公共子序列。具体地，从 `dp[m][n]` 开始，如果 `s1[i-1]` 和 `s2[j-1]` 相等，则将这个字符加入到最长公共子序列中，并向左上角移动；如果 `dp[i-1][j]` 大于 `dp[i][j-1]`，则向上移动；否则向左移动。重复这个过程直到 `i` 或 `j` 等于 0。最终返回的 `lcs_str` 就是最长公共子序列。