某售货员要到若干城市去推销商品，已知各城市之间的路程(或旅费)。他要选定一条从驻地出发，经过每个城市一遍，最后回到驻地的路线，使总的路程（或总旅费）最小。

### 回答1：
这是一个旅行商问题，售货员需要找到一条经过每个城市一次的最短路径，最后回到出发点。这个问题可以用图论中的最小生成树算法来解决，例如Prim算法或Kruskal算法。通过构建城市之间的图，每个城市作为一个节点，路程或旅费作为边的权值，然后运用最小生成树算法，就可以找到最优的路线。

### 回答2：
这是一个典型的旅行商问题，需要使用数学模型来解决。我们可以将各个城市看作节点，路程或旅费看作边的权值，构建一个带权完全图。找到一条经过每个节点一遍的最短路径，即为售货员的最佳路线。

这个问题可以用动态规划算法来解决。设f[S][i]表示经过集合S中所有节点一遍，以i节点为终点的最短路径长度。则最终答案为min{f[{1,2,3,...,n},i]+dis(i,0)}，其中n为节点数，0为驻地节点，dis(i,0)表示从i节点到0节点的距离或旅费。

递推式为f[S][i]=min{f[S-{i}][j]+dis(j,i)}，其中j∈S，i∉S。表示只需在集合S-{i}中选择一个节点作为i的上一个节点，使得路径最短。

具体实现时，可以使用二进制数表示集合S，用状态压缩技巧来优化空间复杂度。时间复杂度是O(n^2*2^n)，空间复杂度是O(n*2^n)。

需要注意的是，如果边的权值是不对称的，即A到B的距离和B到A的距离不相等，那么需要将其转化为对称的距离，例如取两者的平均值或最大值。

总之，旅行商问题是一个经典的图论优化问题，其应用场景非常广泛，如货车配送、机器人路径规划等。通过数学建模和算法设计，我们可以找到一个最优解，使售货员推销商品更加高效、经济。

### 回答3：
为了求出某售货员选定的最小路线，我们可以采用旅行商问题的模型，这也是一个经典的NP完全问题。

我们可以将各城市之间的路程（或旅费）用一个n×n的矩阵来表示，其中n表示城市的数量。矩阵第i行j列的元素表示从第i个城市到第j个城市的路程（或旅费）。我们可以将驻地设定为起点和终点，因此矩阵的对角线元素为0。

对于这个问题，我们可以采用动态规划的思想。首先，我们需要定义一个状态。设f[S][j]表示从起点出发，经过集合S中的所有城市，最终到达城市j的路径长度。集合S表示剩余未访问的城市集合，j表示当前访问的城市。

接下来，我们需要找到状态转移方程。假设当前已经访问了城市1、2、3，并且当前在城市2，集合S为{1,3}。那么我们可以从f[{1,2,3},2]转移到f[{1,2,3},1]或f[{1,2,3},3]。因此，状态转移方程可以表示为：

f[S][j] = min(f[S-{j}][i] + cost[i][j])，i∈S，i≠j

其中，cost[i][j]表示从城市i到城市j的路程（或旅费）。

最后，我们需要求解出整个问题的答案。我们可以在f[{1,2,...n},1]、f[{1,2,...n},2]、...、f[{1,2,...n},n]中找到最小值，它就是最短路径的长度。

总之，通过动态规划来解决旅行商问题可以得到最小路程（或旅费）的路径方案。然而，在城市数量较大的情况下，计算量会非常大，因此需要采用一些优化算法来求解，如遗传算法、模拟退火算法等。