当背包容量为C=7时，wi分别为2，3，4，2；vi分别为3，6，9，7怎么放可以有最大收益，并用C语言写出

为了最大化背包的收益，我们需要使用一种叫做0-1背包（knapsack problem with weights and profits）的问题求解策略。在这种情况下，物品i的价值 vi 越大，其重量 wi 越小，优先选择价值密度高的物品放入背包。由于物品不可分割，我们只能选择每个物品整数倍的数量。

根据给定的 wi 和 vi 数据，我们可以分析出哪些组合能带来最大的收益。根据贪心算法的思想（尽管0-1背包不是完全贪婪的），我们可以考虑先添加价值密度最高的物品，即 vi/wi 比值大的物品。但是，如果超过了背包容量，就需要替换掉价值密度较低但仍能装下的物品。

根据这些信息，我们可以手动比较或使用动态规划来找到最佳解决方案。这里是一个简单的C语言代码示例，它使用了动态规划来解决这个问题：

#include <stdio.h>

#define C 7 // 容量
int w[] = {2, 3, 4}; // 物品重量
int v[] = {3, 6, 9}; // 物品价值
int n = sizeof(w) / sizeof(w[0]); // 物品数量

// 动态规划函数，dp[i][j] 表示前i个物品总和重量不超过j的最大价值
int knapSack(int dp[][C + 1], int i, int j) {
    if (i == 0 || j == 0)
        return 0;
    
    if (dp[i - 1][j] >= dp[i][j - w[i - 1]])
        return dp[i - 1][j];
    else
        return dp[i][j - w[i - 1]] + v[i - 1];
}

int main() {
    int dp[C + 1][C + 1]; // 初始化二维数组
    for (int i = 0; i <= C; i++) {
        dp[0][i] = 0;
        dp[i][0] = 0;
    }

    for (int i = 1; i <= n; i++)
        for (int j = 1; j <= C; j++)
            dp[i][j] = knapSack(dp, i, j);

    printf("最大收益是: %d\n", dp[n][C]);
    // 打印物品选择，可以根据 dp 数组回溯，但这超出了本回答的范围
    // 可以通过查找 dp[n][C-w[n-1]], dp[n][C-w[n-2]], ... 来确定哪些物品被选中
    return 0;
}

注意，这个程序只计算了最大收益，但未详细列出物品选择过程。实际应用中，需要额外处理如何根据 dp 数组回溯选出最优物品。