以下是一个使用动态规划解决背包问题的示例代码：

def knapsack(weight, value, count, max_weight):
    n = len(weight)
    dp = [[0] * (max_weight + 1) for _ in range(n + 1)]

    for i in range(1, n + 1):
        for j in range(1, max_weight + 1):
            if weight[i-1] > j:
                dp[i][j] = dp[i-1][j]
            else:
                # 当前物品有多个，需要考虑数量限制
                for k in range(count[i-1] + 1):
                    if weight[i-1] * k <= j:
                        dp[i][j] = max(dp[i][j], dp[i-1][j-weight[i-1]*k] + value[i-1]*k)
                    else:
                        break

    return dp[n][max_weight]

使用示例：

weight = [2, 3, 4]  # 物品重量数组
value = [3, 4, 5]   # 物品价值数组
count = [1, 2, 3]   # 物品数量数组
max_weight = 5      # 背包的最大承重

result = knapsack(weight, value, count, max_weight)
print(result)  # 输出最大价值

该代码通过一个二维数组 dp 来保存每个状态下的最优解，其中 dp[i][j] 表示在前 i 个物品中，背包承重为 j 的情况下的最大价值。通过动态规划的原理，不断更新 dp 数组中的值，最终得到最优解。在更新 dp[i][j] 的时候，需要考虑当前物品数量的限制，以保证不超过物品的实际数量。最后返回 dp[n][max_weight] 即为背包问题的最优解。