【物理应用】基于Matlab计算并绘制一维量子和经典谐振子的波函数和概率分布

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

🔥 内容介绍

摘要: 本文利用Matlab软件，计算并绘制了一维量子谐振子和经典谐振子的波函数和概率分布图。通过对比分析，清晰地展现了量子力学与经典力学在描述谐振子系统上的差异。量子谐振子的波函数展现了其概率分布的离散性和量子化能级，而经典谐振子的概率分布则为连续的，反映了其能量的连续性。本文详细介绍了计算方法，并对结果进行了深入的讨论，旨在加深读者对量子力学和经典力学在谐振子系统中的理解。

关键词: 量子谐振子，经典谐振子，Matlab，波函数，概率分布，量子化

引言: 谐振子是物理学中一个极其重要的模型系统，它广泛应用于原子物理、分子物理、凝聚态物理等领域。经典谐振子描述的是一个在势能为抛物线形状的力场中运动的粒子，其能量是连续的。然而，在微观世界中，量子效应变得显著，需要用量子力学来描述。一维量子谐振子是量子力学中一个可以精确求解的模型，其能级是量子化的，波函数也具有独特的特征。本文将利用Matlab软件，通过数值计算的方法，分别计算并绘制一维量子谐振子和经典谐振子的波函数和概率分布图，并对结果进行比较和分析，加深对量子力学与经典力学的理解。

一、经典谐振子

经典谐振子的哈密顿量为：

H = p²/2m + 1/2kx²

其中，p是动量，m是质量，k是弹簧常数，x是位移。 能量E是一个连续变量。 根据能量守恒定律，我们可以得到粒子在势场中的运动轨迹，以及其在不同位置的概率分布。经典谐振子的概率分布与粒子在不同位置停留的时间成正比。对于能量为E的经典谐振子，其概率密度函数为：

P(x) = 1/√(2E/k - x²)π , -√(2E/k) ≤ x ≤ √(2E/k)

P(x) = 0, 其他

此概率密度函数表示粒子在势阱内的概率分布，在势能最小值处概率最大。我们可以利用Matlab绘制经典谐振子的概率分布图。

二、量子谐振子

一维量子谐振子的哈密顿量为：

Ĥ = -ħ²/2m ∂²/∂x² + 1/2kx²

其中，ħ是约化普朗克常数。 该薛定谔方程的解为：

ψₙ(x) = NₙHₙ(αx)exp(-α²x²/2)

其中，Nₙ是归一化常数，Hₙ(αx)是n阶厄米多项式，α = √(mk/ħ²) ， n = 0, 1, 2, ... 表示能级的量子数。对应的能量为：

Eₙ = (n + 1/2)ħω

其中，ω = √(k/m)是角频率。 量子谐振子的能量是量子化的，只能取离散的能级。 其概率密度函数为：|ψₙ(x)|²。

三、Matlab程序实现

本文使用Matlab编写程序，分别计算和绘制经典谐振子和量子谐振子的概率分布图。

(1) 经典谐振子:

% 经典谐振子概率分布
E = 1; % 能量
k = 1; % 弹簧常数
x = linspace(-sqrt(2*E/k), sqrt(2*E/k), 1000);
P = 1./(pi*sqrt(2*E/k - x.^2));
plot(x, P);
xlabel('x');
ylabel('P(x)');
title('经典谐振子概率分布');

(2) 量子谐振子:

% 量子谐振子概率分布
m = 1; % 质量
k = 1; % 弹簧常数
hbar = 1; % 约化普朗克常数
alpha = sqrt(m*k/hbar^2);
n = 0:3; % 能级
x = linspace(-5, 5, 1000);
for i = 1:length(n)
psi = hermiteH(n(i), alpha*x).*exp(-alpha^2*x.^2/2);
P = abs(psi).^2;
plot(x, P);
hold on;
end
xlabel('x');
ylabel('|ψ(x)|^2');
title('量子谐振子概率分布');
legend('n=0', 'n=1', 'n=2', 'n=3');
hold off;

四、结果与讨论

通过Matlab程序，我们可以得到经典谐振子和量子谐振子的概率分布图。经典谐振子的概率分布图显示概率在势阱中央最大，并且呈连续分布。而量子谐振子的概率分布图则显示概率分布是离散的，并且随着能级的升高，概率分布呈现出越来越复杂的结构，这充分体现了量子力学的概率解释以及量子化能级。 对比两者的结果，可以清晰地看出量子效应对系统的影响。

结论:

本文利用Matlab数值计算的方法，分别计算并绘制了一维经典谐振子和量子谐振子的波函数和概率分布图。通过对比分析，我们直观地展现了经典力学和量子力学在描述谐振子系统上的差异，加深了对量子化能级、概率分布等量子力学基本概念的理解。 Matlab作为一种强大的数值计算工具，为我们研究和理解复杂的物理问题提供了有效的途径。 未来的研究可以扩展到二维甚至三维量子谐振子的研究，以及在不同势场中的量子效应研究。

⛳️ 运行结果

​

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

🎁 关注我领取海量matlab电子书和数学建模资料

👇 私信完整代码和数据获取及论文数模仿真定制

1 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱船配载优化、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题

2 机器学习和深度学习方面

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

2.图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

3 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

4 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

5 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信

6 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

7 电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电

8 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

9 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计