背包问题是一个经典的动态规划问题，其目标是在给定的一组物品中选择一些物品放入背包中，使得物品的总价值最大，同时保持背包的容量限制。

以下是一个使用动态规划解决背包问题的示例代码，包含如何找出哪些物品被选择了：

def knapsack(items, capacity):
    n = len(items)
    dp = [[0] * (capacity + 1) for _ in range(n + 1)]
    selected_items = [[] for _ in range(n + 1)]

    for i in range(1, n + 1):
        item_weight, item_value = items[i - 1]
        for j in range(1, capacity + 1):
            if item_weight > j:
                dp[i][j] = dp[i - 1][j]
            else:
                dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - item_weight] + item_value)
                if dp[i][j] > dp[i - 1][j]:
                    selected_items[i] = selected_items[i - 1] + [i]

    return dp[n][capacity], selected_items[n]

# 示例用法
items = [(2, 3), (3, 4), (4, 5), (5, 6)]
capacity = 8

max_value, selected = knapsack(items, capacity)
print("最大价值:", max_value)
print("选择的物品:", selected)

在上述代码中，我们使用 dp 数组来动态地记录每个子问题的最优解，dp[i][j] 表示在前 i 个物品中选择，在容量为 j 的背包中能够获得的最大总价值。

为了找出哪些物品被选择了，我们使用 selected_items 数组来记录每个子问题中选择的物品索引。在每次更新 dp 数组时，如果选择了当前物品，就在 selected_items[i] 中记录下来。

最后，返回 dp[n][capacity] 作为最大价值，并返回 selected_items[n] 作为被选择的物品列表。