请Python语言实现0-1背包问题的算法设计(问题分析、建模、算法描述)、算法源码、测试数据(自己构造实例，注意不要和教材实例相同)、程序运行结果(要求：截图说明算法运行的结果)、算法分析(分析算法的时间复杂度和空间复杂度)

在Python中实现0-1背包问题，我们通常会采用动态规划的方法。该问题是一个经典的优化问题，目标是在给定的一组物品中选择若干件放入容量有限的背包中，使得总价值最大。

**问题分析**：
假设我们有n件物品，每件物品有一个重量w[i]和一个价值v[i]，以及一个背包的最大容量W。我们要找到一个方案，使得物品的总重量不超过背包容量，并且总价值尽可能大。

**建模**：
我们可以创建一个二维数组dp[i][j]，其中dp[i][j]表示前i件物品放在容量为j的背包中所能获得的最大价值。状态转移方程就是dp[i][j] = max(dp[i-1][j], dp[i-1][j-w[i]] + v[i])，其中第一种情况代表不选第i件物品，第二种情况代表选第i件物品。

**算法描述 (Pseudo Code)**：

def knapsack_01(w, v, W):
    n = len(w)
    dp = [[0 for _ in range(W+1)] for _ in range(n+1)]
    
    for i in range(1, n+1):
        for j in range(1, W+1):
            if w[i-1] <= j:
                dp[i][j] = max(dp[i-1][j], dp[i-1][j - w[i-1]] + v[i-1])
            else:
                dp[i][j] = dp[i-1][j]
                
    return dp[n][W]

# 源代码
items = [(50, 60), (30, 110), (40, 100), (70, 150)]
max_weight = 80
result = knapsack_01(item_weights=[item[0] for item in items], item_values=[item[1] for item in items], W=max_weight)

**测试数据**：
例如我们有四件物品，重量分别为50, 30, 40, 70克，价值分别是60, 110, 100, 150元，背包容量为80克。

**程序运行结果**：
由于这是一个动态规划过程，无法直接在此处提供截图。当运行上述代码后，会返回一个整数值，即背包内能获得的最大价值。

**算法分析**：
时间复杂度：O(nW)，其中n是物品数量，W是背包容量，因为我们需要填充整个二维数组。
空间复杂度：O(nW)，同样是因为需要存储所有物品和每个容量下的最优解。这属于线性的空间复杂度。

请注意，实际项目中应将以上代码封装在一个函数中并添加适当的错误处理。在编写测试用例和实际运行之前，可以先手动检查是否理解了动态规划的状态转移思想。