本文介绍如何用简洁的 for 循环替代手动重复调用，实现基于前一状态持续更新的函数链式计算（如量子波函数随时间演化），避免硬编码、提升可维护性与可扩展性。
本文介绍如何用简洁的 for 循环替代手动重复调用，实现基于前一状态持续更新的函数链式计算（如量子波函数随时间演化），避免硬编码、提升可维护性与可扩展性。
在科学计算或数值模拟中，常遇到“当前结果依赖上一步输出”的场景——例如求解含时薛定谔方程时，波函数 wf 需在离散时间点 t = 0, 0.05, 0.10, ..., π 上逐步演化，且每步调用都以 wf_prev 作为输入参数。若手动写出 wf_1, wf_2, … wf_n，不仅冗长易错，更难以调整步长或终止条件。
推荐采用状态迭代模式：仅维护一个变量 wf，在循环中不断覆写其值，同时按需计算对应时间 t：
import math
# 初始状态（t = 0）
wf = get_wf_0(xmin, xmax, Nx, neigs, t=0)
# 时间步进：t ∈ (0, π]，步长 dt = 0.05
dt = 0.05
n_steps = int(math.pi / dt) + 1 # 确保覆盖 t = π（含端点）
for s in range(1, n_steps):
t = dt * s
wf = get_wf(xmin, xmax, Nx, neigs, t=t, wf=wf)
✅ 关键优化点：
- 使用 range(1, n_steps) 从第 1 步开始，避免重复计算 t=0；
- n_steps = int(math.pi / dt) + 1 确保 t = π 被包含（因 int() 向下取整，+1 补足）；
- 所有中间状态被自动复用，内存占用恒定（无需保存全部 wf_0~wf_n）。
⚠️ 注意事项：
- 若 get_wf 内部修改 wf 原地对象，请确认是否需深拷贝（如 wf = copy.deepcopy(wf)）以避免意外副作用；
- 浮点步长累积误差可能导致 t 偏离预期（如 0.05*63 ≈ 3.149999...），对精度敏感场景建议改用 numpy.arange(0, math.pi + 1e-10, 0.05)；
- 如需保留所有中间结果（如用于绘图或调试），可初始化列表 wf_history = [wf] 并在循环内追加 wf_history.append(wf.copy())。
该模式将线性依赖关系显式转化为可读、可测、可扩展的迭代逻辑，是数值时间演化类任务的标准实践。
