给定n(n<=100)种物品和一个背包。物品i的重量是wi(wi<=100)，价值为vi(vi<=100)，背包的容量为C(C<=1000)。 应如何选择装入背包中的物品，使得装入背包中物品的总价值最大? 在选择装入背包的物品时，对每种物品i只有两个选择：装入或不装入。不能将物品i装入多次，也不能只装入部分物品i。 输入格式:共有n+1行输入： 第一行为n值和c值，表示n件物品和背包容量c； 接下来的n行，每行有两个数据，分别表示第i(1≤i≤n)件物品的重量和价值。 输出格式:输出装入背包中物品的最大总价值。 输入样例:在这里给出一组输入。例如： 5 10 2 6 2 3 6 5 5 4 4 6 输出样例:在这里给出相应的输出。例如： 15

这是一个经典的 0/1 背包问题，可以使用动态规划算法求解。

设 dp[i][j] 表示前 i 个物品中，在背包容量为 j 的情况下所能获得的最大价值，则根据题目要求，最终的结果就是 dp[n][C]。

考虑第 i 个物品，它有两种情况：

1. 不放入背包中，此时总价值为 dp[i-1][j]。

2. 放入背包中，此时总价值为 dp[i-1][j-w[i]] + v[i]。

因此，可以得到状态转移方程：

dp[i][j] = max(dp[i-1][j], dp[i-1][j-w[i]]+v[i])

初始状态为 dp[0][j] = 0，i = 0 时 dp[i][j] = 0。

根据这个方程，可以使用一个二维数组 dp 来存储中间结果，代码实现如下：

n, C = map(int, input().split())
w, v = [0] * (n+1), [0] * (n+1)
for i in range(1, n+1):
    w[i], v[i] = map(int, input().split())

dp = [[0] * (C+1) for _ in range(n+1)]
for i in range(1, n+1):
    for j in range(1, C+1):
        if j < w[i]:
            dp[i][j] = dp[i-1][j]
        else:
            dp[i][j] = max(dp[i-1][j], dp[i-1][j-w[i]]+v[i])

print(dp[n][C])

这个算法的时间复杂度为 O(nC)，空间复杂度也为 O(nC)。