假设有一个能装入总体积为T的背包和n件体积分别为w1,w2…..,wn的物品，能否从n件物品中挑选若干件恰好装满背包，即使W1+W2+……+Wn=T。 【系统要求】 找出所有满足上述条件的解。例如，当T=10，各件物品的体积{1,8,4,3,5,2}时，可找到下列4组解：（1,4,3,2），（1,4,5），(8,2),(3,5,2)。

这是一个经典的背包问题，可以用动态规划算法求解。具体来说，可以定义一个二维数组dp[i][j]，其中dp[i][j]表示前i件物品能否恰好装满一个容量为j的背包。对于每个物品i，可以分两种情况考虑：不选物品i和选物品i。如果不选物品i，则dp[i][j]的值不变，即等于dp[i-1][j]。如果选物品i，则dp[i][j]的值等于dp[i-1][j-w[i]]，表示前i-1件物品恰好装满容量为j-w[i]的背包，再加上物品i的体积w[i]就可以恰好装满容量为j的背包。因此，状态转移方程为：

dp[i][j] = dp[i-1][j] || dp[i-1][j-w[i]]

最终的答案即为dp[n][T]，如果dp[n][T]为true，则存在一种方案恰好装满容量为T的背包。

接下来，可以用回溯法找出所有满足条件的解。具体来说，从dp[n][T]开始，按照状态转移方程逆推，找出所有能够恰好装满容量为T的方案。代码实现可以参考下面的示例：

def find_all_solutions(T, w):
    n = len(w)
    dp = [[False] * (T+1) for _ in range(n+1)]
    dp[0][0] = True
    for i in range(1, n+1):
        for j in range(T+1):
            dp[i][j] = dp[i-1][j]
            if j >= w[i-1]:
                dp[i][j] = dp[i][j] or dp[i-1][j-w[i-1]]
    if not dp[n][T]:
        return []
    res = []
    def backtrack(i, j, path):
        if i == 0 and j == 0:
            res.append(path[::-1])
            return
        if dp[i-1][j]:
            backtrack(i-1, j, path)
        if j >= w[i-1] and dp[i-1][j-w[i-1]]:
            backtrack(i-1, j-w[i-1], path + [w[i-1]])
    backtrack(n, T, [])
    return res

使用示例：

T = 10
w = [1, 8, 4, 3, 5, 2]
res = find_all_solutions(T, w)
print(res)  # [[1, 4, 3, 2], [1, 4, 5], [8, 2], [3, 5, 2]]

注意，这个算法的时间复杂度为O(nT)，当T比较大时可能会超时。如果需要处理更大的背包问题，可以考虑使用其他算法或优化。