给定n(n<=100)种物品和一个背包。物品i的重量是wi，价值为vi，背包的容量为C(C<=1000)。问:应如何选择装入背包中的物品，使得装入背包中物品的总价值最大? 在选择装入背包的物品时，对每种物品i只有两个选择：装入或不装入。不能将物品i装入多次，也不能只装入部分物品i。
输入格式:
共有n+1行输入： 第一行为n值和c值，表示n件物品和背包容量c； 接下来的n行，每行有两个数据，分别表示第i(1≤i≤n)件物品的重量和价值。
输出格式:
输出装入背包中物品的最大总价值。
输入样例:
在这里给出一组输入。例如：
5 10
2 6
2 3
6 5
5 4
4 6
输出样例:
在这里给出相应的输出。例如：
15
动态规划算法的核心思想：将大问题划分为小问题进行解决，从而一步步获取最优解的处理算法。
动态规划与分治算法类似，其基本思想也是将带求解的问题分解成若干子问题，先求解子问题，然后从这些子问题的解得到原问题的解。与分治法不同的是，适合于用动态规划求解的问题，经分解得到的子问题往往不是互相独立的，即下一个子阶段的求解是建立在上一个子阶段的解的基础上，进行进一步的求解。而分治法不是，比如汉诺塔问题，一个盘子就是一个盘子，两个就是两个，三个就是三个，互不相关，只是规律相同，动态规划可以通过填表的方式来逐步推进，得到最优解。分治可以递归求解或者迭代循环，毕竟规律相同。
背包问题：每次遍历得到的第i个物品（就像平时放东西一样，一样一样的放，探测，看能不能放下）根据w[i]和v[i]来确定是否将该物品放入到背包中，即对于给定的n个物品，设v[i]、w[i]分别为第i个物品的价值和重量，c为背包的总容量。再令dp[i][j]表示前i个物品（因为前0个物品都是0，这样i就正好是第i个物品对应的dp值）中能够装入容量为j时的背包中的最大价值，本来容量为定值c,但现在它是一个变化的，因为需要一直探测当背包容量为1、为2……为c的时候都能放下些什么。
还是一样，从1开始遍历，dp第一行和第一列全部为0（全局变量的设定已经保证这一点），第一行全为0，表示当商品数为0的时候，不管容量有多大，背包的总价值都为0；第一列全为0，表示当背包的容量为0的时候，不管有多少件物品，重量有多小，背包的总价值也都为0，因为放不进去呀。。
每次遍历都要看当前背包容量（注意是个变量，从1到c）与要放置的物品的重量之间的关系
如果当前商品的重量大于背包的容量，就把它上一个格子的放置情况复制下来，
因为上一个的情况已经是当时的优化结果，即满足最大价值的结果
当w[i]>j时，dp[i][j] = dp[i-1][j];
当当前商品的容量小于当前背包的容量时，说明可以尝试去装一下
（为什么是尝试呢？？？
因为装该物品后的总价值可能比上一轮的总价值大，也可能小）
为什么商品容量都小于当前背包的容量了，还去尝试呢，那不肯定装不下吗？？？
当然是目前背包容量减去待尝试放置物品的重量啊，只有这样才是在上一次最优解的基础上放啊
当j>=w[i]时，dp[i][j] = max{dp[i-1][j],dp[i-1][j-w[i]] + v[i]}
#include <iostream>
using namespace std;
int w[101],v[101];
int dp[1001][1001];
int main(){
int n,c;
cin >> n >> c;
for(int i = 1;i<=n;i++){
cin >> w[i] >> v[i];
}
for(int i = 1;i<=n;i++){
for(int j = 1;j<=c;j++){
if(j>=w[i])
dp[i][j] = max(dp[i-1][j],dp[i-1][j-w[i]]+v[i]);
else{
dp[i][j]=dp[i-1][j];
}
}
}
cout << dp[n][c];
return 0;
}