Weight[m,n]: 二维数组,代表节点m到节点n的权重,即图上每条边的权重值.
WeightMin[n]: 一维数组,代表从开始节点0到节点n的已知通路上,所有已计算的权重之和的最小值.用来存放每一次计算的最小值.
FinalSet:已经确认的最终节点的集合
图上数据说明: 节点从左上点到右下点，从左到右从上到下，坐标从0开始到8
Weight[m,n]数据如下
n0n1n2n3n4n5n6n7n8n0296n11n246n34n4297n551n65n715n8基础原理其实很直白朴素，就是从开始节点起，计算所有能到达终止节点的通路的距离。从这些通路中找寻权重和最小的那一条通路。
不过这种朴素的找法随着节点数增加由于组合爆炸的原因，计算复杂度是呈阶乘级上升的，比指数级还恐怖.
所以在这个原理的基础上做优化，因为对于到达之前某个节点的最短距离已经确定了之后，我们可以把该节点的最短距离存起来，当计算它之后的节点通路时，就直接拿出来用，而不需要再重头计算之前的那些节点。（扩展阅读：这里用到的就是“备忘录”思想，将已经得到的最好结果存入备忘录，如果下次需要使用，则直接拿出来用，减少重复计算。详细请查阅动态规划里的“备忘录”）
优化后的算法只做2件事
【P1】第一，运行【广度优先算法】，优先找到最接近源点的所有可见点(解释一下,所谓可见点,是指能和已知的节点直接连通的点,最开始已知的点只有源点自己,与源点直接连同的是可见点,其余都是不可见点)，计算这些可见点到源点的距离长度，由于一个节点可能有多条通路，所以当计算该点到源点的另一条通路的距离长度时，要与之前已计算过的WeightMin[n]取最小值然后再更新。
【P2】第二，每当运行完单次【广度优先算法】后，使用【贪心算法】，从所有已知路径中选择长度最短的那条路径，将顶点归入最终节点集合里FinalSet里，然后跳到该节点运行【广度优先算法】，即再次进行【P1】，然后又进行【P2】，就这样(P1-P2-P1-P2-…)下去，直至图里所有点都进入FinalSet里。
【贪心算法】保证了进入FinalSet里的节点距离一定是该点到源点所有路径中最短的，不可能有其他到达该点更短距离的路径(这个可以用反证法证明，假设存在另一条路径更短，可以推出矛盾的，我就不展开了)。
【广度优先算法】保证了在每次选择路径时，都不漏掉任何一条路径，并找到最短的一条路径。
一般来说，【贪心算法】在很多时候并不都能找到全局最优解，只能得到局部最优解，我在文中虽然写的是“贪心算法”，但这只是为了帮助理解，实际上dijkstra运用的是【动态规划】的思想，结合【广度优先算法】保证全局最优。
将所有节点权重和WeightMin[]更新为无穷大,暂时以99代替（因为所有节点权重和都没有比99更大的，可以用来代替无穷大）。
【P1】初始条件，从自己到自己的权重为0，WeightMin[0]=0，其余都是99。
【P2】将节点0（A点）归入最终节点集合里FinalSet里，FinalSet[]={0}，此时FinalSet未包含全部节点，所以即将对节点0（A点）运行【广度优先算法】
【P1】对节点0（A点）运行【广度优先算法】，计算其所有可见点n1,n3,n4（BDE点）这3点到源点的通路的距离长度（使用已知的WeightMin[0]加上其直接连接的各边的权重Weight[0,(n1,n3,n4)]），分别是[0+2,0+9,0+6]。然后与之前的WeightMin[[1,3,4]]:[99,99,99]进行比较，取最小值(2<99,9<99,6<99)然后再更新，所以最后这3点的WeightMin[[1,3,4]]=[2,9,6]。
【P2】从所有已知路径顶点n1(2),n3(9),n4(6)中找长度最短的那条的顶点n1（即节点1），将其纳入最终节点集合FinalSet={0,1}，此时FinalSet未包含全部节点，所以即将对节点1（B点）运行【广度优先算法】
【P1】对节点1（B点）运行【广度优先算法】，计算其所有可见点n2,n4（CE点）到源点的通路的距离长度WeightMin[1]+Weight[1,(n2,n4)]=[2+1,2+3]。然后与之前的WeightMin[[2,4]:[99,6]进行比较更新，WeightMin[[2,4]]=[3,5]。
【P2】从所有已知路径顶点n2(3),n3(9),n4(5)中找长度最短的那条的顶点n2，将其纳入最终节点集合FinalSet={0,1,2}，此时FinalSet未包含全部节点，所以即将对进来的节点2（C点）运行【广度优先算法】
【P1】对节点2（C点）运行【广度优先算法】，计算其所有可见点n4,n6（EG点）到源点的通路的距离长度WeightMin[2]+Weight[1,(n4,n6)]=[3+1,3+6]。然后与之前的WeightMin[[4,6]:[5,99]进行比较更新，WeightMin[[4,6]=[4,9]。
【P2】从所有已知路径顶点n3(9),n4(4),n6(9)中找长度最短的那条的顶点n4，将其纳入最终节点集合FinalSet={0,1,2,4}，此时FinalSet未包含全部节点，所以即将对进来的节点4（E点）运行【广度优先算法】
【P1】对上次归入FinalSet的节点运行【广度优先算法】求所有可见点的距离长度
g(n4) => (n3,n5,n7)
w(n3,n5,n7)=WeightMin[4]+Weight[4,(n3,n5,n7)]=[4+2,4+9,4+7]=[6,13,11]
WeightMin[[3,5,7]] = min([6,13,11] ,WeightMin[[3,5,7]]) = min([6,13,11] ,[9,99,99])=[6,13,11]
【P2】从所有已知路径顶点(=上一次全部顶点 - 上一次选中顶点 + 本次可见点)中选出长度最短的那条的顶点，归入FinalSet
min{n3,n5,n6,n7} = min{WeightMin[[3,5,6,7]]}=min([6,13,9,11])=6
n3
FinalSet={0,1,2,3,4}
【P1】对上次归入FinalSet的节点运行【广度优先算法】求所有可见点的距离长度
g(n3) => (n7)
w(n7) = WeightMin[3]+Weight[3,(n7)] = [6+4] = [10]
WeightMin[7] = min([10] ,WeightMin[7]) = min([10] ,[11]) = [10]
【P2】在所有已知路径中选出最短路径对应的节点，归入FinalSet
min{n5,n6,n7} = min{WeightMin[[5,6,7]]} = min([13,9,10]) = 9
n6
FinalSet={0,1,2,3,4,6}
【P1】对上次归入FinalSet的节点运行【广度优先算法】求所有可见点的距离长度
g(n6) => (n8)
w(n8) = WeightMin[6]+Weight[6,(n8)] = [9+5] = [14]
WeightMin[8] = min([14] ,WeightMin[8]) = min([14] ,[99]) = [14]
【P2】在所有已知路径中选出最短路径对应的节点，归入FinalSet
min{n5,n7,n8} = min{WeightMin[[5,7,8]]} = min([13,10,14]) = 10
n7
FinalSet={0,1,2,3,4,6,7}
【P1】对上次归入FinalSet的节点运行【广度优先算法】求所有可见点的距离长度
g(n7) => (n5,n8)
w(n5,n8) = WeightMin[7]+Weight[7,(n5,n8)] = [10+1,10+5] = [11,15]
WeightMin[[5,8]] = min([11,15] ,WeightMin[[5,8]]) = min([11,15] ,[13,14]) = [11,14]
【P2】在所有已知路径中选出最短路径对应的节点，归入FinalSet
min{n5,n8} = min{WeightMin[[5,8]]} = min([11,14]) = 11
n5
FinalSet={0,1,2,3,4,6,7,5}
【P1】对上次归入FinalSet的节点运行【广度优先算法】求所有可见点的距离长度
g(n5) => (n8)
w(n8) = WeightMin[5]+Weight[5,(n8)] = [11+1] = [12]
WeightMin[8] = min([12] ,WeightMin[8]) = min([12] ,[14]) = [12]
【P2】在所有已知路径中选出最短路径对应的节点，归入FinalSet
min{n8} = min{WeightMin[8]} = min([12]) = 12
n8
FinalSet={0,1,2,3,4,6,7,5,8}
至此，所有节点都进入FinalSet里
