可以使用动态规划来解决这个问题。我们可以使用类似于01背包问题的方法，但是需要考虑到每个背包的容量不受限制。

对于给定的物品和背包数量，我们创建一个二维数组dp[i][j]，其中i表示考虑到前i个物品时的状态，j表示当前背包的编号。dp[i][j]表示在这种情况下，所有背包中物品的总价值的最大值。

递归式可以表示为：

dp[i][j] = max(dp[i-1][j], dp[i][j-1], dp[i][j-1] + v[i]),

其中v[i]是第i个物品的价值。这个递归式表示了三种情况：

1.第i个物品不放入任何背包中，所以它的价值等于dp[i-1][j]。

2.第i个物品放入编号为(j-1)的背包中，所以它的价值等于dp[i][j-1]。

3.第i个物品放入编号为j的背包中，所以它的价值等于dp[i][j-1] + v[i]。

最后的答案是dp[n][m]，其中n是物品的数量，m是背包的数量。

下面是Python代码示例：

def optimal_fair_division(w, v, m): n = len(w) dp = [[0 for _ in range(m+1)] for _ in range(n+1)] for i in range(1, n+1): for j in range(1, m+1): dp[i][j] = dp[i-1][j] for k in range(j): if w[i-1] <= j-k: dp[i][j] = max(dp[i][j], dp[i][k] + v[i-1]) return dp[n][m]