A. 求助python的最短路徑問題
這是一個深州前度優先搜索演算法（Deepth First Search, DFS）
演算法核心是不斷遞歸，直到找到目標，入隊一種可能方案，return返回上一遞歸，再次嘗試以當前點開始計算有沒有其他方案，如有則繼續遞歸並入隊，如沒有則再次return
簡單來說就是這樣的結構：
def dfs(position, value):
# position 傳參位置，value 傳參到現在的計算結果
if 到達目標:
判斷value是否比最短路徑短
return value
else:
for x in position的所有可能下一路徑:
if x在路徑列表中:
# 不能有重復路徑，變成回環
continue
else:
獲取路徑x的值
改變position
入告跡檔隊 dfs(new_position, value+x
這個代碼用的是襪亂字典存儲每個點可到達的點以及路程
然後深度優先搜索
不懂再追問
B. 如何使用QGIS裡面的python編程求最優路線
題主：
你的問題描述不是很詳盡。
比如，你所說的最短路徑，是直線還是沿道路的最短路徑。如果是後者這個稍微麻煩些，並需要補充路網數據。如是直線距離最短，那麼，你所需求的是以最短路徑走訪完所有農戶（以居委會為起點），還是每戶至居委會的距離最短（兩點間直線距離）。還有就是GIS文件的屬性表和你的EXCEL表格的關系...
所以，如你題中所說，建議你現在做的有以下幾件事：
①明確要目標到底是什麼，就如上面所說的一樣；
②對於每一戶（包括居委會），你還需獲取其坐標（X/Y），這個在GIS軟體中易獲取；
③將excel數據連接至屬性表中。
最後，你這個項目要解決的問題有Dijkstra、Floyd、A*等演算法可用。但是具體用哪一種還需根據問題進行優選...
希望對你有所幫助！！！
C. Python實現viterbi演算法原理流程是什麼樣的
維特比演算法說白了就是動態規劃實現最短路徑，只要知道「動態規劃可以降低復雜度」這一點就能輕松理解維特比演算法
維特比演算法是一個特殊但應用最廣的動態規劃演算法，利用動態規劃，可以解決任何一個圖中的最短路徑問題。而維特比演算法是針對一個特殊的圖——籬笆網路的有向圖（Lattice )的最短路徑問題而提出的。 它之所以重要，是因為凡是使用隱含馬爾可夫模型(Hidden Markov Model，HMM)描述的問題都可以用它來解碼，包括今天的數字通信、語音識別、機器翻譯、拼音轉漢字、分詞等。——《數學之美》 ps 多處摘錄此書，不再贅述。
籬笆網路有向圖的特點是同一列節點有多個，並且和上一列節點交錯地連接起來。同一列節點代表同一個時間點上不同的狀態的並列，大概因為這種一列一列整齊的節點和交錯的邊很像籬笆而得名。
假設上圖每一列分別有n1……nn個節點，如果不使用動態的話，那麼計算復雜度就是O(n1*n2……nn)。
而維特比演算法的精髓就是，既然知道到第i列所有節點Xi{j=123…}的最短路徑，那麼到第i+1列節點的最短路徑就等於到第i列j個節點的最短路徑+第i列j個節點到第i+1列各個節點的距離的最小值。
這是一句大白話，所謂中文偽碼。
分析一下復雜度，假設整個籬笆有向圖中每一列節點最多有D個（也就是圖的寬度為D），並且圖一共有N列，那麼，每次計算至多計算D*D次（從i列的D個節點中挑一個計算到i+1列D個節點的距離）。至多計算N次。那麼復雜度驟減為O（ND2），遠遠小於窮舉O（DN）。
D. python多個起點不交叉最短路徑
1 針對給定的多個起點和終點，如果要求起點之間不交叉，那麼存在最短運禪路徑。
2 因為起點之間不交叉，可以將問題簡化為多個單起點單終點的問題，可以使用 Dijkstra 演算法或者 A* 演算法等察汪求解最短路徑的演算法。
3 如果需要考慮多個起點之間的交叉情況，可以考慮使用遺傳演算法等旁沒塵啟發式演算法，不過這樣的演算法復雜度較高，需要更長的計算時間。
E. 如何用python在arcgis中編寫程序，求兩點的最短路徑
你是想學PYTHON編程還是只是想只得到這個PYTHON文件。可以給你提供一條簡潔的途徑用modelbuilder來實現，將多個SHP文件拖入進去，再把MERGE工具拖進去，雙擊modelbuilder中的merge工具框設置，再雙擊output dataset框設置輸出。然後將這些shp文件用倒數第二個按鈕添加鏈接的功能將他們一個個與merge工具框鏈接起來。最後點擊model-export-to srcipt-python 就會輸出一個python文件，可以用記事本打開查看裡面的代碼。
F. python 的 networkx 的中有沒有 函數 可以直接取出與 某一個點（node）所相連的所有邊的個數
path=nx.all_pairs_shortest_path(G) #調用多源最短路徑演算法，計算圖G所有節點間的磨檔最短路徑
print path[0][2] #輸出節點0、2之間的最短路徑瞎喚亂序列：鏈悉 [0, 1, 2]
G. Python數據分析在數學建模中的應用匯總（持續更新中！）
1、Numpy常用方法使用大全（超詳細）
1、Series和DataFrame簡單入門
2、Pandas操作CSV文件的讀寫
3、Pandas處理DataFrame，Series進行作圖
1、Matplotlib繪圖之屬性設置
2、Matplotlib繪制誤差條形圖、餅圖、等高線圖、3D柱形圖
1、層次分析法（AHP）——算數平均值法、幾何平均值法、特徵值法（Python實現，超詳細注釋）
2、Python實現TOPSIS分析法（優劣解距離法）
3、Python實現線性插值和三次樣條插值
4、Python實現線性函數的擬合演算法
5、Python實現統計描述以及計算皮爾遜相關系數
6、Python實現迪傑斯特拉演算法和貝爾曼福特演算法求解最短路徑
H. Python中networkx中shortest_path使用的是哪一種最短路徑方法
不全是。依據傳入的參數決定調用哪種演算法。
看源碼：至少涉及了dijkstra、廣乎灶度優先/深度優先演算法。
ifsource歲遲扮isNone:
iftargetisNone:
##Findpathsbetweenallpairs.
ifweightisNone:
paths=nx.all_pairs_shortest_path(G)
else:
paths=nx.all_pairs_dijkstra_path(G,weight=weight)
else:
##Findpathsfromallnodesco-accessibletothetarget.
旦桐directed=G.is_directed()
ifdirected:
G.reverse(=False)
ifweightisNone:
paths=nx.single_source_shortest_path(G,target)
else:
paths=nx.single_source_dijkstra_path(G,target,weight=weight)
#.
fortargetinpaths:
paths[target]=list(reversed(paths[target]))
ifdirected:
G.reverse(=False)
else:
iftargetisNone:
##.
ifweightisNone:
paths=nx.single_source_shortest_path(G,source)
else:
paths=nx.single_source_dijkstra_path(G,source,weight=weight)
else:
##Findshortestsource-targetpath.
ifweightisNone:
paths=nx.bidirectional_shortest_path(G,source,target)
else:
paths=nx.dijkstra_path(G,source,target,weight)