c++代码实现：输入背包容量，物品数量、价值及重量，利用动态规划法解决0-1背包问题，要求输出装入物品的对应指示向量，并分析该算法性能。

以下是C++代码实现：

#include <iostream>
using namespace std;

// 最大物品个数
const int MAXN = 100;
// 最大背包容量
const int MAXV = 1000;

// 物品的价值和重量
int value[MAXN], weight[MAXN];
// 动态规划数组
int dp[MAXN + 1][MAXV + 1];

void ZeroOneKnapsack(int n, int v) {
    // 初始化动态规划数组
    for (int i = 0; i <= v; i++) {
        dp[0][i] = 0;
    }
    for (int i = 1; i <= n; i++) {
        dp[i][0] = 0;
    }

    // 动态规划求解
    for (int i = 1; i <= n; i++) {
        for (int j = 1; j <= v; j++) {
            if (j < weight[i]) {
                dp[i][j] = dp[i - 1][j];
            } else {
                dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weight[i]] + value[i]);
            }
        }
    }

    // 输出装入物品的对应指示向量
    int j = v;
    for (int i = n; i >= 1; i--) {
        if (dp[i][j] > dp[i - 1][j]) {
            cout << i << " ";
            j -= weight[i];
        }
    }
    cout << endl;
}

int main() {
    int n, v;
    cin >> n >> v;

    for (int i = 1; i <= n; i++) {
        cin >> value[i] >> weight[i];
    }

    ZeroOneKnapsack(n, v);

    return 0;
}

算法分析：

0-1背包问题的动态规划算法的时间复杂度为 $O(nv)$，其中 $n$ 为物品数量，$v$ 为背包容量。空间复杂度为 $O(nv)$。在程序实现中，我们使用了一个二维数组 $dp$ 来存储动态规划状态。其中，$dp[i][j]$ 表示前 $i$ 个物品，容量为 $j$ 的背包能够装下的最大价值。因此，状态转移方程为：

$$dp[i][j]=\max(dp[i-1][j],dp[i-1][j-weight[i]]+value[i])$$

其中，$value[i]$ 表示第 $i$ 个物品的价值，$weight[i]$ 表示第 $i$ 个物品的重量。在状态转移时，我们需要根据当前背包容量 $j$ 是否能够容纳第 $i$ 个物品，来决定是否选择第 $i$ 个物品。最后，我们需要输出装入物品的对应指示向量，可以通过从 $dp[n][v]$ 开始倒推，判断是否选择第 $i$ 个物品。因此，时间复杂度为 $O(n)$。总的时间复杂度为 $O(nv)$。

综上，该算法的时间复杂度为 $O(nv)$，空间复杂度为 $O(nv)$。