组合意义视角

考虑 $(x_1 + x_2 + cdots + x_m)^n$ 的展开过程：每次乘法操作中，我们从 $m$ 个变量中任选一个相乘，共进行 $n$ 次。最终每一项对应一种选法组合，而系数即为该组合的排列数。

生成函数视角

多项式定理展开式-多项式展开式是生成函数的核心工具。例如，概率论中多项分布的概率质量函数即基于此展开：

几何视角

在 $n$ 维单纯形中，展开式各项对应于单纯形的顶点、边、面等子结构。系数 $binom{n}{k_1,dots,k_m}$ 表示具有给定边长分布的格点数量。

例1：基础展开 $(2x - 3y + z)^4$

令 $a=2x$, $b=-3y$, $c=z$，展开 $(a+b+c)^4$ 后代入：

关键项系数计算：

• $x^2y^2$ 项：对应 $a^2b^2$，系数 $binom{4}{2,2,0} cdot (2)^2 cdot (-3)^2 = 6 cdot 4 cdot 9 = 216$
• $x^3z$ 项：对应 $a^3c$，系数 $binom{4}{3,0,1} cdot (2)^3 cdot 1 = 4 cdot 8 = 32$

例2：系数求和 $(1+x+x^2)^5$ 中 $x^6$ 系数

利用生成函数：$(1+x+x^2)^5 = left(frac{1-x^3}{1-x}right)^5 = (1-x^3)^5 cdot (1-x)^{-5}$

展开后： $$ begin{aligned} (1-x^3)^5 &= sum_{k=0}^5 binom{5}{k} (-1)^k x^{3k} \ (1-x)^{-5} &= sum_{n=0}^infty binom{n+4}{4} x^n end{aligned} $$

取 $3k + n = 6$，可能的 $k=0,1,2$：

• $k=0$: $n=6$ → $binom{5}{0}(-1)^0 binom{10}{4} = 210$
• $k=1$: $n=3$ → $binom{5}{1}(-1)^1 binom{7}{4} = -5 cdot 35 = -175$
• $k=2$: $n=0$ → $binom{5}{2}(-1)^2 binom{4}{4} = 10 cdot 1 = 10$

总和：$210 - 175 + 10 = 45$

例3：多项分布概率

某校学生偏好：喜欢数学 $p_1=0.4$，物理 $p_2=0.35$，化学 $p_3=0.25$。随机选 6 名学生，求恰好 2 人数学、2 人物理、2 人化学的概率：

机器学习：多项式特征工程

在线性模型中添加 $(x_1,x_2,dots,x_d)^2$ 展开项（交互项），可捕捉变量间非线性关系。例如：

• 原特征：$[x_1, x_2, x_3] = [2, 3, 5]$
• 展开后：$[x_1^2, x_2^2, x_3^2, sqrt{2}x_1x_2, sqrt{2}x_1x_3, sqrt{2}x_2x_3] = [4,9,25, sqrt{2}cdot6, sqrt{2}cdot10, sqrt{2}cdot15]$

扩展后特征维度从 $d$ 升至 $binom{d+2-1}{2} = frac{d(d+1)}{2}$，需注意过拟合风险。

信号处理：多项式滤波器设计

在 IIR 滤波器中，传递函数 $H(z) = frac{1}{(1 - a_1 z^{-1} - a_2 z^{-2})^n}$ 的 impulse response 可通过对 $(1 - a_1 z^{-1} - a_2 z^{-2})^{-n}$ 展开获得。

例如 $n=2$ 时，展开式含 $z^{-k}$ 项的系数即为第 $k$ 个采样点的响应值。

生物信息学：序列组合分析

在 k-mer 频率统计中，$(A+C+G+T)^n$ 展开式中 $A^{k_1}C^{k_2}G^{k_3}T^{k_4}$ 的系数表示特定碱基组合的排列数，用于识别基因启动子区域。

多项式系数的递推关系

关键公式： $$ binom{n}{k_1,dots,k_m} = binom{n-1}{k_1-1,k_2,dots,k_m} + binom{n-1}{k_1,k_2-1,dots,k_m} + cdots + binom{n-1}{k_1,k_2,dots,k_m-1} $$

可用于动态规划实现高效计算，避免阶乘溢出。

多重二项式定理

嵌套展开技巧： $$ (x+y+z)^n = sum_{k=0}^n binom{n}{k} z^{n-k} (x+y)^k = sum_{k=0}^n sum_{j=0}^k binom{n}{k}binom{k}{j} z^{n-k} x^j y^{k-j} $$

适用于编程实现，将 $m$ 项问题分解为多个二项式问题。

多项式系数的模性质

Lucas 定理推广：当 $n$ 在 $p$ 进制下为 $n = n_0 + n_1 p + cdots$，则 $$ binom{n}{k_1,dots,k_m} equiv prod_i binom{n_i}{k_{i1},dots,k_{im}} pmod{p} $$

用于组合数模质数计算，在密码学中有重要应用。

多项式展开在密码学中的应用

在格密码（LWE 问题）中，误差项常建模为多项式分布。例如： $$ psi_sigma(x) propto exp(-pi x^2 / sigma^2) $$ 其离散版本需通过多项式展开近似计算。

与对称多项式理论的联系

基本对称多项式 $e_k = sum_{1leq i_1

Python 快速展开工具

from sympy import symbols, expand, multinomial_coefficients
# 方法1：直接展开
x,y,z = symbols('x y z')
expr = (2x - y + 3z)3
print(expand(expr))
# 方法2：获取所有系数
coeffs = multinomial_coefficients(3, 3)  # (a+b+c)^3
for monom, coef in coeffs.items():
    print(f"系数 {coef} 对应项 {monom}")