51nod 1747 近似多项式（最小二乘法）

最小二乘法

最小二乘法可以拟用于曲线拟合。
比如离散的给定点的运动轨迹轨迹：$P_0,P_1,...,P_n$
用一个多项式曲线$f(x)$，近似描绘出运动轨迹。

$$f(x)=\sum_{i=0}^Na_ix^i$$

运动轨迹可以看作是一个离散的函数。近似程度可以用：

$$E(a_0,a_1,....a_N)=\sum_{i=0}^n\big(f(x_i)-y_i\big)^2$$

为什么使用平方，可能它真的很好。而却确实有很多优点。 比如

$$|l-x|+|x-r|$$

$$(l-x)^2+(x-r)^2$$

对于上面的式子，x在取值(l,r)时，大小是恒定的。下面的式子，x去中间正好最小。$a^2+b^2\geq2ab$
如果$P$是一条连已知函数的曲线$g(x)$。以题目为例：$g(x)=exp(x)$

如果要找到在区间[0,1]最为近似$g(x)$的$N$次多项式$f(x)$.因为给出的g是连续的，那么对应的和式变积分有：

$$E(a_0,a_1,a_2,...a_N)=\int_0^1\Big(f(x)-g(x)\Big)^2dx$$

极小化E，使其偏导在各个方向为0.

$$\frac{\partial E}{\partial a_s} =\int_0^1\frac{\partial (f(x)-g(x))^2dx}{\partial a_s}\\=\int_0^1\frac{\partial \Big(\sum_{i=0}^Na_ix^i-g(x)\Big)^2dx}{\partial a_s}\\=\int_0^1\Big(\frac{\partial\big(\sum_{i=0}^Na_ix^i\big)^2}{\partial a_s}+\frac{\partial g^2(x)}{\partial a_s}-2\frac{\partial \big(\sum_{i=0}^Na_ix^i\big)g(x)}{\partial a_s}\Big)dx$$

其中：

$$\frac{\partial\big(\sum_{i=0}^Na_ix^i\big)^2}{\partial a_s}=\frac{\partial\big(\sum_{i=0}^Na_ix^i\big)^2}{\partial\big(\sum_{i=0}^Na_ix^i\big)}\frac{\partial\big(\sum_{i=0}^Na_ix^i\big)}{\partial a_s}\\=2\sum_{i=0}^Na_ix^{i+s}$$

其中：

$$\frac{\partial g^2(x)}{\partial a_s}=0$$

其中：

$$\frac{\partial \big(\sum_{i=0}^Na_ix^i\big)g(x)}{\partial a_s}=x^sg(x)$$

令各个方向偏导为0 有：

$$\int_0^1\Big(2\sum_{i=0}^Na_ix^{i+s}+0-2x^sg(x)\Big)dx$$

即：

$$\int_0^1\sum_{i=0}^Na_ix^{i+s} dx=\int_0^1x^sg(x)dx$$

即：

$$\sum_{i=0}^Na_i\int_0^1x^{i+s} dx=\int_0^1x^sg(x)dx$$

即为：

$$\left[ \begin{matrix} \int_0^1x^Ndx & \int_0^1x^{N-1}dx & \cdots & \int_0^1x^0dx \\ \int_0^1x^{N+1}dx & \int_0^1x^Ndx & \cdots & \int_0^1x^1dx \\ \vdots & \vdots & \ddots & \vdots \\ \int_0^1x^{2N}dx & \int_0^1x^{2N-1}dx & \cdots & \int_0^1x^Ndx \\ \end{matrix} \right] \left[ \begin{matrix} a_N \\ a_{N-1} \\ \vdots \\ a_0 \end{matrix} \right]= \left[ \begin{matrix} \int_0^1x^0g(x)dx \\ \int_0^1x^1g(x)dx \\ \vdots \\ \int_0^1x^Ng(x)dx \end{matrix} \right]$$
如果是和式，则积分符号变为求和符号。如果上述矩阵存在逆矩阵。则求逆后计算a向量。
原题中， $g(x)=exp(x)$
令： $F_t'(x)=x^texp(x)$
有因为： $\Big(x^texp(x)\Big)'=x^texp(x)+tx^{t-1}exp(x)$
所以： $F_t(x)=x^texp(x)-tF_{t-1}(x)$，这样就得到了在最优解的情况。
当然，与原题答案形式不同。