背包问题是一个经典的动态规划问题，可以使用动态规划算法来解决。根据单位重量的利润对数组进行排序可以帮助优化动态规划的解决过程。

下面是一个使用Python语言实现的背包问题解决方法，包括对数组进行排序的代码示例：

# 背包问题求解函数
def knapsack(weights, profits, capacity):
    n = len(weights)
    # 创建一个二维数组dp用于存储子问题的解
    dp = [[0] * (capacity + 1) for _ in range(n + 1)]

    # 根据单位重量的利润对数组进行排序
    items = sorted(zip(weights, profits), key=lambda x: x[1]/x[0], reverse=True)
    weights, profits = zip(*items)

    for i in range(1, n + 1):
        for j in range(1, capacity + 1):
            # 如果当前物品的重量大于当前容量，无法装入背包
            if weights[i-1] > j:
                dp[i][j] = dp[i-1][j]
            else:
                # 选择装入当前物品或不装入当前物品，取利润最大值
                dp[i][j] = max(dp[i-1][j], dp[i-1][j-weights[i-1]] + profits[i-1])

    return dp[n][capacity]

# 测试示例
weights = [2, 3, 4, 5]
profits = [3, 4, 5, 6]
capacity = 7
max_profit = knapsack(weights, profits, capacity)
print("背包问题的最大利润为：", max_profit)

以上代码使用动态规划算法解决了背包问题，并根据单位重量的利润对数组进行了排序。在函数knapsack中，先使用zip函数将权重和利润打包成元组，然后使用sorted函数对元组进行排序，排序的依据是单位重量的利润。排序完成后，再使用zip函数将排序后的元组重新拆分成两个列表。然后，根据排序后的列表进行动态规划的计算。最后输出背包问题的最大利润。