A. 求助python的最短路径问题
这是一个深州前度优先搜索算法（Deepth First Search, DFS）
算法核心是不断递归，直到找到目标，入队一种可能方案，return返回上一递归，再次尝试以当前点开始计算有没有其他方案，如有则继续递归并入队，如没有则再次return
简单来说就是这样的结构：
def dfs(position, value):
# position 传参位置，value 传参到现在的计算结果
if 到达目标:
判断value是否比最短路径短
return value
else:
for x in position的所有可能下一路径:
if x在路径列表中:
# 不能有重复路径，变成回环
continue
else:
获取路径x的值
改变position
入告迹档队 dfs(new_position, value+x
这个代码用的是袜乱字典存储每个点可到达的点以及路程
然后深度优先搜索
不懂再追问
B. 如何使用QGIS里面的python编程求最优路线
题主：
你的问题描述不是很详尽。
比如，你所说的最短路径，是直线还是沿道路的最短路径。如果是后者这个稍微麻烦些，并需要补充路网数据。如是直线距离最短，那么，你所需求的是以最短路径走访完所有农户（以居委会为起点），还是每户至居委会的距离最短（两点间直线距离）。还有就是GIS文件的属性表和你的EXCEL表格的关系...
所以，如你题中所说，建议你现在做的有以下几件事：
①明确要目标到底是什么，就如上面所说的一样；
②对于每一户（包括居委会），你还需获取其坐标（X/Y），这个在GIS软件中易获取；
③将excel数据连接至属性表中。
最后，你这个项目要解决的问题有Dijkstra、Floyd、A*等算法可用。但是具体用哪一种还需根据问题进行优选...
希望对你有所帮助！！！
C. Python实现viterbi算法原理流程是什么样的
维特比算法说白了就是动态规划实现最短路径，只要知道“动态规划可以降低复杂度”这一点就能轻松理解维特比算法
维特比算法是一个特殊但应用最广的动态规划算法，利用动态规划，可以解决任何一个图中的最短路径问题。而维特比算法是针对一个特殊的图——篱笆网络的有向图（Lattice )的最短路径问题而提出的。 它之所以重要，是因为凡是使用隐含马尔可夫模型(Hidden Markov Model，HMM)描述的问题都可以用它来解码，包括今天的数字通信、语音识别、机器翻译、拼音转汉字、分词等。——《数学之美》 ps 多处摘录此书，不再赘述。
篱笆网络有向图的特点是同一列节点有多个，并且和上一列节点交错地连接起来。同一列节点代表同一个时间点上不同的状态的并列，大概因为这种一列一列整齐的节点和交错的边很像篱笆而得名。
假设上图每一列分别有n1……nn个节点，如果不使用动态的话，那么计算复杂度就是O(n1*n2……nn)。
而维特比算法的精髓就是，既然知道到第i列所有节点Xi{j=123…}的最短路径，那么到第i+1列节点的最短路径就等于到第i列j个节点的最短路径+第i列j个节点到第i+1列各个节点的距离的最小值。
这是一句大白话，所谓中文伪码。
分析一下复杂度，假设整个篱笆有向图中每一列节点最多有D个（也就是图的宽度为D），并且图一共有N列，那么，每次计算至多计算D*D次（从i列的D个节点中挑一个计算到i+1列D个节点的距离）。至多计算N次。那么复杂度骤减为O（ND2），远远小于穷举O（DN）。
D. python多个起点不交叉最短路径
1 针对给定的多个起点和终点，如果要求起点之间不交叉，那么存在最短运禅路径。
2 因为起点之间不交叉，可以将问题简化为多个单起点单终点的问题，可以使用 Dijkstra 算法或者 A* 算法等察汪求解最短路径的算法。
3 如果需要考虑多个起点之间的交叉情况，可以考虑使用遗传算法等旁没尘启发式算法，不过这样的算法复杂度较高，需要更长的计算时间。
E. 如何用python在arcgis中编写程序，求两点的最短路径
你是想学PYTHON编程还是只是想只得到这个PYTHON文件。可以给你提供一条简洁的途径用modelbuilder来实现，将多个SHP文件拖入进去，再把MERGE工具拖进去，双击modelbuilder中的merge工具框设置，再双击output dataset框设置输出。然后将这些shp文件用倒数第二个按钮添加链接的功能将他们一个个与merge工具框链接起来。最后点击model-export-to srcipt-python 就会输出一个python文件，可以用记事本打开查看里面的代码。
F. python 的 networkx 的中有没有 函数 可以直接取出与 某一个点（node）所相连的所有边的个数
path=nx.all_pairs_shortest_path(G) #调用多源最短路径算法，计算图G所有节点间的磨档最短路径
print path[0][2] #输出节点0、2之间的最短路径瞎唤乱序列：链悉 [0, 1, 2]
G. Python数据分析在数学建模中的应用汇总（持续更新中！）
1、Numpy常用方法使用大全（超详细）
1、Series和DataFrame简单入门
2、Pandas操作CSV文件的读写
3、Pandas处理DataFrame，Series进行作图
1、Matplotlib绘图之属性设置
2、Matplotlib绘制误差条形图、饼图、等高线图、3D柱形图
1、层次分析法（AHP）——算数平均值法、几何平均值法、特征值法（Python实现，超详细注释）
2、Python实现TOPSIS分析法（优劣解距离法）
3、Python实现线性插值和三次样条插值
4、Python实现线性函数的拟合算法
5、Python实现统计描述以及计算皮尔逊相关系数
6、Python实现迪杰斯特拉算法和贝尔曼福特算法求解最短路径
H. Python中networkx中shortest_path使用的是哪一种最短路径方法
不全是。依据传入的参数决定调用哪种算法。
看源码：至少涉及了dijkstra、广乎灶度优先/深度优先算法。
ifsource岁迟扮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)