如何在循环中归一化本征函数，使总概率密度之和为1？

你当前的代码中，LA.eig(H)返回的本征向量矩阵v是正交归一的（当H为厄米矩阵时），因此v@np.conj(v.T)会得到单位矩阵——这意味着每个位置的概率密度为1，每个步骤的总概率等于系统维度数（或空间点数量）。循环steps+1次后，总概率自然等于steps+1（近似为steps）。

要让所有步骤的概率密度之和为1，核心是给每个步骤的概率密度分配归一化权重，确保所有权重之和为1。

根据需求，这里提供两种实用的归一化方式：

1. 均匀权重归一化（最常用） #

若每个步骤的重要性相同，给每个步骤分配1/(steps+1)的权重（循环从0到steps，共steps+1个步骤），将每个步骤的概率密度乘以权重后累加：

import numpy as np
from numpy import linalg as LA

# 初始化总概率密度，形状与H一致
total_probdensity = None
# 计算每个步骤的权重
num_steps = steps + 1
weight = 1 / num_steps

for x in range(0, steps+1):
    # ... 此处省略构建哈密顿量H的代码
    w, v = LA.eig(H)
    # 计算当前步骤的密度矩阵
    probdensity = v @ np.conj(v.T)
    
    # 第一次循环时初始化总密度数组
    if total_probdensity is None:
        total_probdensity = np.zeros_like(probdensity)
    # 累加带权重的概率密度
    total_probdensity += probdensity * weight

最终total_probdensity的总概率（迹）将为1，满足需求。

2. 按本征值加权（考虑态的占据概率） #

如果需要根据本征值（能量）分配权重（比如玻尔兹曼分布），可以先计算每个本征态的权重，再构建密度矩阵：

import numpy as np
from numpy import linalg as LA

num_steps = steps + 1
total_probdensity = None
beta = 1  # 玻尔兹曼因子，可根据需求调整

for x in range(0, steps+1):
    # ... 构建H的代码
    w, v = LA.eig(H)
    # 计算玻尔兹曼权重并归一化
    weights = np.exp(-beta * w)
    weights /= np.sum(weights)
    # 构建带权重的密度矩阵
    probdensity = v @ np.diag(weights) @ np.conj(v.T)
    
    if total_probdensity is None:
        total_probdensity = np.zeros_like(probdensity)
    # 按步骤均匀加权累加
    total_probdensity += probdensity / num_steps

这种方式既考虑了本征态的占据概率，也保证了所有步骤的总概率之和为1。

• LA.eig返回的本征向量是列向量，v@np.conj(v.T)是所有本征态的等权重混合密度矩阵；若只需单个本征态的概率密度，应取v[:,i]对应的列向量计算np.abs(v[:,i])**2。
• 若“步骤”指空间点而非时间步，只需将权重改为1/空间点总数，逻辑完全一致。

内容的提问来源于stack exchange，提问作者userman5000