旅行商问题：Python代码实现贪婪算法求解最短旅游路径

要确定起点和终点之间经过所有景点的最短旅游路径，可以使用著名的旅行商问题（TSP）算法。TSP问题是一个NP难问题，没有多项式时间的解法，但可以使用近似算法来求解。

下面是使用贪婪算法的近似解法，即每次选择距离当前位置最近的未访问景点作为下一个访问点。代码如下：

import math

def distance(point1, point2):
    # 计算两个点之间的欧氏距离
    x1, y1 = point1
    x2, y2 = point2
    return math.sqrt((x2 - x1) ** 2 + (y2 - y1) ** 2)

def shortest_path(points, start):
    # 初始化未访问景点集合
    unvisited = set(points)
    unvisited.remove(start)
    
    # 初始化当前位置和总距离
    current_point = start
    total_distance = 0
    
    # 逐步选择下一个最近的未访问景点
    while unvisited:
        nearest_point = min(unvisited, key=lambda x: distance(current_point, x))
        total_distance += distance(current_point, nearest_point)
        current_point = nearest_point
        unvisited.remove(nearest_point)
    
    # 返回总距离和最后的位置
    return total_distance, current_point

# 测试代码
points = [(0, 0), (1, 1), (2, 2), (3, 3)]  # 景点坐标
start_point = (0, 0)  # 起点坐标

total_distance, end_point = shortest_path(points, start_point)
print('最短距离：', total_distance)
print('最后位置：', end_point)

代码中的distance函数用于计算两个点之间的欧氏距离。shortest_path函数接受景点坐标列表和起点坐标作为输入，返回最短距离和最后的位置。

在主函数中，我们定义了一个简单的测试案例，其中有4个景点，起点坐标为(0, 0)。运行代码后，将输出最短距离和最后的位置。

需要注意的是，这个近似算法并不能保证一定能找到最优解，但对于小规模的问题，通常可以得到较好的结果。对于更复杂的问题，可以考虑使用其他更高级的算法，如动态规划或遗传算法。