动态规划在某些问题上可能不适用，原因有很多种可能性，比如问题的特性不符合动态规划的条件、状态转移方程难以确定、问题规模过大等等。以下是一种可能的解决方法，包含代码示例：

1. 首先，仔细分析问题的特性，确定是否适合使用动态规划。如果问题具有无后效性（即问题的当前状态只与之前的状态有关，与未来的状态无关）、最优子结构（即问题的最优解可以通过子问题的最优解推导出来）等特点，则可以考虑使用动态规划。

2. 如果问题适合使用动态规划，需要确定状态转移方程。对于动态规划来说，重要的是找到问题的状态以及状态之间的转移关系。状态可以是问题的子问题，转移关系可以是通过子问题的最优解求得当前问题的最优解。

3. 根据状态转移方程，编写代码实现动态规划。下面是一个简单的示例，解决一个经典的动态规划问题——背包问题。

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

    for i in range(1, n + 1):
        for j in range(1, max_weight + 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][max_weight]

在上面的代码中，我们使用二维数组dp来存储状态，dp[i][j]表示前i个物品装进容量为j的背包中所能获得的最大价值。然后通过两层循环，计算每个状态的最优解，最后返回dp[n][max_weight]即可得到问题的最优解。

需要注意的是，这只是一个简单的示例，实际问题可能更加复杂，需要根据具体问题进行状态定义和状态转移方程的确定。同时，动态规划问题的时间复杂度可能较高，因此在解决大规模问题时，可能需要进一步优化算法或者使用其他算法来解决。