用python编写假设从V1到V9的线路如下图所示，请根据信息实现最优决策：最短路程到达、最省时到达等线路规划。 说明：用户驾车出行由于出行目的的不同对道路路线选择的要求也有不同。例如，有的希望在途中的路程尽可能短，有的则可能希望路程中时间最短，有的希望过路费最少。为了能满足广大旅客的需求，编制一个城市交通咨询模拟系统，选取城市部分位置、道路抽象为程序所需要图的顶点和边，并以城市道路长度（路程），道路的某时段的速度等信息作为图结点中的弧信息，为旅客提供这两种最优决策的交通咨询，输出最短时间的值

这个问题可以使用Dijkstra算法来解决。首先需要定义图的结构，每个节点表示一个交叉口，每条边表示两个交叉口之间的道路，边的权重表示路程或时间或过路费等信息。接下来就是算法的实现。

首先，我们需要初始化一个数组dist，表示从起点到每个节点的最短距离，初始值为无穷大，起点的距离为0。然后，我们从起点开始遍历，对于每个节点，我们遍历它的所有邻居节点，如果从起点到邻居节点的距离比当前记录的最短距离小，就更新最短距离。最后，我们就可以得到从起点到每个节点的最短距离。

Python代码如下：

import heapq

graph = {
    'V1': {'V2': 2, 'V3': 4, 'V4': 1},
    'V2': {'V1': 2, 'V5': 3, 'V6': 1},
    'V3': {'V1': 4, 'V5': 2, 'V7': 5},
    'V4': {'V1': 1, 'V6': 3, 'V7': 1},
    'V5': {'V2': 3, 'V3': 2, 'V8': 4},
    'V6': {'V2': 1, 'V4': 3, 'V9': 2},
    'V7': {'V3': 5, 'V4': 1, 'V9': 3},
    'V8': {'V5': 4, 'V9': 3},
    'V9': {'V6': 2, 'V7': 3, 'V8': 3}
}

def dijkstra(graph, start, end):
    dist = {node: float('inf') for node in graph} # 初始化起点到各个节点的距离为无穷大
    dist[start] = 0 # 起点到起点的距离为0
    heap = [(0, start)] # 用堆来存储节点及其距离
    while heap:
        (distance, current_node) = heapq.heappop(heap) # 取出堆顶节点
        if distance > dist[current_node]: # 如果当前节点到起点的距离已经大于之前记录的最短距离，就跳过
            continue
        for neighbor, weight in graph[current_node].items(): # 遍历当前节点的所有邻居节点
            new_distance = distance + weight # 计算从起点到该邻居节点的距离
            if new_distance < dist[neighbor]: # 如果新距离比之前记录的最短距离小
                dist[neighbor] = new_distance # 更新最短距离
                heapq.heappush(heap, (new_distance, neighbor)) # 把邻居节点及其距离加入堆中
    return dist[end] # 返回起点到终点的最短距离

# 测试
print(dijkstra(graph, 'V1', 'V9'))

这里我们使用了Python的heapq模块来实现堆，它提供了常见堆操作的函数，包括heappush、heappop等，大大简化了代码的实现。