本题的翻译是：由原始的数组nums可以搞出一个新数组count，其中count[i]表示第i件物品的个数。我们要满足一系列客户quantity，每个客户需要quantity[i]个一样的物品。问是否能够合理分配物品给客户，使得所有客户都得到满足。
我们注意到m<10，这样小的条件几乎就是暗示我们会有算法复杂度关于2^m，那么明显可以想到bitmask，利用m位的二进制数就可以表示穷举出所有客户满意的状态（数值为1的bit表示对应的客户得到了满足）。另外题目中there are at most 50 unique values in the array的意思就是，count数组的长度不超过50，即物品的个数不超过50. 由此我们联想到了状态压缩的动态规划：令dp[i][state]表示前i件物品是否可以满足state状态的客户需求。
如何设计状态转移方程来计算dp[i][state]呢？依然是动态规划的套路，从第i件物品入手。我们考虑第i件物品的数量能够满足state里面的哪些客户？显然这些客户必然是state里面的一个子集。所以dp[i][state]为true的两个条件是：
- 我们能找到state里面的一个子集subset，其对应的客户需求的物品总数都能被第i件物品所满足，
- 并且对应的前驱状态dp[i-1][state-subset]也为true，即前i-1件物品能满足state-subset所对应的客户（即除去第i件物品满足的subset客户）。 以上两个条件都满足的话，那么就说明前i件物品能满足state对应的所有客户需求。
特别需要注意的是，dp[i][state]为true其实还有另外一种方式：就是如果dp[i-1][state]已经为true的话，我们甚至可以跳过subset的搜索。
关于时间复杂度：对于state的遍历里面再嵌套subset的遍历，时间复杂度并不是 2^m * 2^m，而是3^m。你可以想象，对于每一个bit，在外、里两层的状态只可能是10,11,00，而不可能出现01。所以总的时间复杂度是o(N*m*3^m)