将多项式G(x)=x^4-5x^3-17x^2+129x-180在x为[0，20]时的值y上加上随机数的偏差构成y1，对y1进行拟合用plot函数画出拟合结果

首先，我们需要将给定的多项式G(x)应用到区间[0, 20]，计算每个x值对应的y值。然后，为了增加随机偏差，我们可以生成一系列的随机数，并将其加到每个y值上，得到新的数据集y1。接下来，我们将使用数值拟合方法，比如Python的`numpy`库中的`polyfit`函数来进行线性回归或其他适当的拟合算法。

这里是步骤的一个简要概述：

1. **计算基础值y**: 对于每个x in [0, 20]，计算G(x)。

   import numpy as np
   def G(x):
       return x**4 - 5*x**3 - 17*x**2 + 129*x - 180

   x_values = np.linspace(0, 20, num=100)  # 分布均匀的100个点
   y_values = G(x_values)

2. **添加随机偏差y1**: 随机生成与y_values相同的数组大小的偏差，并将其加到y_values上。

   random_deviation = np.random.normal(scale=0.1, size=len(y_values))  # 可调整偏差的尺度
   y1 = y_values + random_deviation

3. **拟合数据并绘制**: 使用`numpy.polyfit`对y1数据进行拟合，得到多项式系数，然后用`matplotlib`库的`plot`函数展示拟合曲线。

   coefficients = np.polyfit(x_values, y1, deg=4)  # 我们假设最高次项是四次
   fitted_y = np.polyval(coefficients, x_values)

   import matplotlib.pyplot as plt
   plt.plot(x_values, y1, 'o', label='Noisy data')
   plt.plot(x_values, fitted_y, '-', label='Fitted curve')
   plt.legend()
   plt.show()

记得调整随机数生成部分的`scale`参数以控制偏差的程度，这里我们设为0.1作为示例。完成以上步骤后，您就可以看到多项式的拟合结果了。