背包问题是指给定一系列物品和一个背包，物品有各自的重量和价值，背包有一个承重能力，求出能够放入背包的物品的最大总价值。

在这个问题中，我们需要返回背包能够承载的物品的最大价值。一个经典的求解背包问题的算法是动态规划，其核心思想是将原问题分解为若干子问题，逐步求解，最终得出原问题的解。

下面是一个 Python 的动态规划实现示例代码：

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

weights = [2, 3, 4, 5]
values = [3, 4, 5, 6]
capacity = 8

print(knapsack(weights, values, capacity)) # 输出 11

这里我们定义了一个 knapsack 函数，接收三个参数：物品的重量 weights、物品的价值 values 和背包的承重能力 capacity。我们使用一个二维数组 dp 来保存子问题的解。我们遍历数组，对于每个子问题，我们有两种选择：将当前物品放入背包或不放入背包。如果当前物品的重量已经超过了背包的承重能力，则不放入背包，将子问题的解设为上一个物品的解即可。否则，我们比较将当前物品放入背包之后的价值是否大于不放入背包的价值，取较大者。最终，我们返回 dp 数组中最后一个元素，即原问题的解。

在上面的示例中，我们测试了一个简单的情况，物品有