背包问题是一个经典的组合优化问题，它的目标是在给定的一组物品中选择一些物品，使得它们的总价值最大，同时总重量不超过背包的容量。背包问题有多种算法可以解决，其中动态规划是最常用的方法之一。

下面是一个使用动态规划解决背包问题的示例代码：

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

    for i in range(1, n + 1):
        for j in range(1, capacity + 1):
            if weights[i-1] <= j:
                dp[i][j] = max(dp[i-1][j], values[i-1] + dp[i-1][j-weights[i-1]])
            else:
                dp[i][j] = dp[i-1][j]

    return dp[n][capacity]

在这个示例代码中，weights是物品的重量列表，values是物品的价值列表，capacity是背包的容量。函数knapsack通过创建一个二维数组dp来保存背包问题的解，其中dp[i][j]表示在前i个物品中，背包容量为j的情况下，可以获得的最大总价值。

在代码的主要循环中，我们遍历每个物品和背包容量，并根据以下两种情况更新dp[i][j]的值：

• 如果第i个物品的重量小于等于背包容量j，那么我们可以选择将第i个物品放入背包，此时背包的总价值为values[i-1] + dp[i-1][j-weights[i-1]]。
• 如果第i个物品的重量大于背包容量j，那么我们无法将该物品放入背包，此时背包的总价值与前i-1个物品的总价值相同，即dp[i][j] = dp[i-1][j]。

最后，函数返回dp[n][capacity]，即在所有物品和背包容量为capacity的情况下，可以获得的最大总价值。

需要注意的是，这个示例代码解决的是0-1背包问题，即每个物品要么被完全装入背包，要么不装入。如果要解决其它类型的背包问题，如无限背包问题或多重背包问题，需要相应地修改代码。