该问题可以使用动态规划算法来解决。假设有k个不同的物品组，每个组中有n1、n2、...、nk个物品可供选择。要求选择m1、m2、...、mk个物品使得它们的总价值最大，而且每个组中选出的物品数量必须满足：1 <= mi <= ni。

具体实现可以按照以下步骤进行：

1. 初始化一个二维数组dp[k+1][M+1]，其中dp[i][j]表示前i组物品，选取总数为j时的最大价值。

2. 对于第一组物品，进行01背包问题的动态规划，求出所有容量下的最大价值，将其保存在dp[1][]中。

3. 对于第2至第k组物品，循环遍历每一组，在第i组中，计算出选择0个、1个、...、ni个物品时的最大价值，更新dp[i+1][]。这里需要注意，第i+1组中的物品不能超过mi个。

4. 最后，dp[k+1][M]即为所求的最大价值。

下面是Python代码示例（其中，w[i][j]表示第i组的第j个物品的重量，v[i][j]表示第i组的第j个物品的价值，m[i]表示第i组选取的最大数量）：

def dynamic_programming(w, v, m, M): k = len(w) dp = [[0] * (M + 1) for _ in range(k + 1)] # 初始化 for j in range(M + 1): if j <= m[0]: dp[1][j] = sum(v[0][:j]) else: dp[1][j] = dp[1][j - 1] #