动态规划是一种通过将问题分解为子问题并使用子问题的解来解决复杂问题的方法。在动态规划中，通常会使用递归来解决子问题，但是递归可能会导致重复计算，效率较低。因此，可以使用动态规划的迭代方式来避免使用递归。

下面是一个示例，展示了如何使用动态规划的迭代方式解决一个经典的背包问题：

def knapsack(weights, values, capacity):
    n = len(weights)
    dp = [[0] * (capacity + 1) for _ in range(n + 1)]

    for i in range(1, n + 1):
        for j in range(1, capacity + 1):
            if weights[i - 1] <= j:
                dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weights[i - 1]] + values[i - 1])
            else:
                dp[i][j] = dp[i - 1][j]

    return dp[n][capacity]

在上面的示例中，weights是物品的重量列表，values是物品的价值列表，capacity是背包的容量。dp是一个二维数组，用于存储子问题的解。在迭代过程中，我们从dp[0][0]开始，依次计算dp[i][j]，其中i表示物品的索引，j表示背包的容量。根据背包问题的特点，如果第i个物品的重量小于等于背包的容量j，那么可以选择将第i个物品放入背包中，此时的价值为dp[i - 1][j - weights[i - 1]] + values[i - 1]；如果第i个物品的重量大于背包的容量j，那么不能将第i个物品放入背包中，此时的价值为dp[i - 1][j]。通过比较这两个价值，取较大的一个作为dp[i][j]的值。最后，返回dp[n][capacity]即为问题的解，其中n为物品的个数。

这种迭代方式的动态规划不仅避免了递归带来的重复计算，还能够通过优化空间复杂度，将二维数组dp优化为一维数组。