一个容量为m的背包，a个重量为 w [ i ] ，价值为 v [ i ] ，数量为 s [ i ] 的物品，求解最大价值方案。
（千万别想：每次 s [ i ] - 1 。这是对于动态规划的错误理解。）
/******************************************************************************************************************************************************************************************/
多重背包问题：
这种问题其实是01背包的变形：对于第 i 种物品，可以装 j 个( 0 ≤ j ≤ s [ i ] )
for(int i=0;i<a;i++) for(int j=m;j>=w[i];j--) for(int k=1;k*w[i]<=j&&k<=s[i];k++) dp[j]=max(dp[j],dp[j-k*w[i]]+k*v[i]);
时间复杂度为o(m*∑s)
/********************************************************************************************************************************************************************************************/
多重背包的二进制优化：
朴素的循环中，对于每一种物品，第三层循环大大增加了时间复杂度。
注意到这样一件事情：任意正整数 n ，从1到 n 这 n 个数可以被 1 , 2 , 4 , 8 , ... , 2 ^ (k-1) , n - (2 ^ k) + 1 （2 ^ (k+1) > n）这 k + 1 个数（即log(n)+1个数）加和得到。
所以，对于每一个原始的物品 i ，可以构建一个新的物品队列 L，在对L进行01背包的时候，就已经将对i的多重背包考虑完毕。L中的每一项与i有一个系数关系，就是上述那 k + 1 个数。这就是用二进制思想进行了优化。复杂度大大降低。
for(int i=0;i<l;i++) //l为新构建的物品总数 for(int j=m;j>=weight[i];j--) //weight和value中已经对应的乘好了系数 dp[j]=max(dp[j],dp[j-weight[i]]+value[i]);
时间复杂度为o(m*log(∑s)) (?)
