文件中是各个地点的平面坐标，各个地点相互可以通行。求解通过所有地点到达目的地的最短距离？

这个问题可以使用 TSP（Traveling Salesman Problem，旅行商问题）求解。TSP 是指一个旅行商需要依次访问 n 个城市，每个城市只能访问一次，最终回到起点城市，求解访问所有城市的最短路径。

对于本题，可以将各个地点看作是 TSP 问题中的城市，通过求解 TSP 问题来解决通过所有地点到达目的地的最短距离。常见的 TSP 求解算法有动态规划法、遗传算法、模拟退火等。

下面是使用 Python 实现的 TSP 算法，基于动态规划思想：

import math

# 定义地点的坐标
points = [(1, 1), (2, 3), (3, 5), (4, 2), (5, 4)]

# 定义起点和终点
start = 0
end = 0

# 定义状态集合
state = {}

# 初始化状态集合
for i in range(len(points)):
    if i != start:
        state[(1 << i, i)] = (dist(points[start], points[i]), start)

# 遍历状态集合
for m in range(2, len(points)):
    for subset in combinations(range(1, len(points)), m):
        bits = 0
        for bit in subset:
            bits |= 1 << bit
        for k in subset:
            prev = bits & ~(1 << k)
            res = []
            for j in subset:
                if j == start or j == k:
                    continue
                res.append((state[(prev, j)][0] + dist(points[j], points[k]), j))
            state[(bits, k)] = min(res)

# 计算最终路径长度
bits = (2 ** len(points) - 1) - 1
res = []
for j in range(1, len(points)):
    res.append((state[(bits, j)][0] + dist(points[j], points[start]), j))
opt, parent = min(res)

# 输出最短路径
path = []
while bits:
    path.append(parent)
    new_bits = bits & ~(1 << parent)
    bits, parent = new_bits, state[(bits, parent)][1]
path.append(start)
path.reverse()
print(path)
print(opt)

其中，`points` 是各个地点的坐标，`start` 是起点，`end` 是终点。`state` 是状态集合，用于存储每个状态下的最短路径长度和父节点。

算法的核心是遍历状态集合，计算每个状态下的最短路径长度和父节点。最终得到的 `opt` 即为通过所有地点到达目的地的最短距离，`path` 则为最短路径。

需要注意的是，本算法的时间复杂度为 $O(n^22^n)$，当 $n$ 很大时，时间复杂度会非常高，需要使用更高效的 TSP 求解算法。