如何用Python编写最短路径算法？

def dijkstra(graph, start, end):    # 节点集合    nodes = set(graph.keys())    # 起始节点到各个节点的最短路径长度字典    distance = {node: float('inf') for node in nodes}    # 起始节点到各个节点的最短路径字典    path = {node: [] for node in nodes}    # 起始节点到自身的最短路径长度为0    distance[start] = 0    while nodes:        # 找到当前节点中最小距离的节点        min_node = min(nodes, key=lambda node: distance[node])        nodes.remove(min_node)        for neighbor, weight in graph[min_node].items():            # 计算经过当前节点到相邻节点的路径长度            new_distance = distance[min_node] + weight            if new_distance <ol start="2"><li>A*算法</li></ol><p>A*算法是一种估值搜索算法，用于求解带有启发式函数的带权图的最短路径。它通过启发式函数来估计从当前节点到目标节点的路径长度，选择估值最小的节点进行搜索。具体步骤如下：</p><p>1) 创建一个优先队列，用于存储节点及其估值。<br>2) 初始化起始节点为当前节点，将其加入优先队列。<br>3) 从优先队列中取出估值最小的节点作为当前节点。<br>4) 如果当前节点是目标节点，则算法结束，返回最短路径。<br>5) 遍历与当前节点相邻的节点，计算其估值并加入优先队列。<br>6) 重复步骤3到步骤5，直到找到目标节点或优先队列为空，则算法结束。</p><p>下面是用Python实现A*算法的代码示例：</p><pre class="brush:python;toolbar:false;">from queue import PriorityQueuedef heuristic(node, end):    # 启发式函数，估计从当前节点到目标节点的路径长度    return abs(node[0] - end[0]) + abs(node[1] - end[1])def a_star(graph, start, end):    # 起始节点到各个节点的最短路径字典    path = {start: []}    # 起始节点到各个节点的路径估值字典    f_value = {start: heuristic(start, end)}    # 创建一个优先队列，用于存储节点及其估值    queue = PriorityQueue()    queue.put((f_value[start], start))    while not queue.empty():        _, current = queue.get()        if current == end:            return path[current] + [end]        for neighbor in graph[current]:            next_node = path[current] + [current]            if neighbor not in path or len(next_node) <p>总结</p><p>通过以上代码示例，我们可以看到如何使用Python编写最短路径算法，包括Dijkstra算法和A*算法。这两种算法对于解决带权图的最短路径问题非常有效。在实际应用中，可以根据具体需求选择适合的算法，以提高算法的效率和准确性。</p>