从《三体》智子到手机基站：用Python简单模拟电磁波传播的几种基本姿势

从《三体》智子到手机基站：用Python简单模拟电磁波传播的几种基本姿势

想象一下，当你用手机刷短视频时，那些看不见的电磁波正以光速穿越墙壁、绕过障碍物，最终精准抵达你的设备。这与《三体》中智子跨越星际的通信原理竟有异曲同工之妙——只不过我们用的是Python代码而非质子计算机。本文将带你用不到100行代码，亲手构建电磁波传播的微观宇宙。

1. 电磁波传播的五大基本形态

在开始敲代码之前，我们需要理解电磁波与物质交互的几种核心方式。就像光线遇到镜子会反射、穿过玻璃会折射一样，无线电波在传播过程中也会展现不同的"性格"。

直射（LOS）是最理想的传播状态，如同两个智子之间毫无阻碍的量子通信。现实中，只有当发射端和接收端之间存在完全无障碍的直线路径时才会发生，比如卫星与地面站之间的通信。

典型场景：

• 无人机与遥控器之间的近距离通信
• 卫星电视信号接收
• 雷达测距

反射现象就像智子遇到三体星系的恒星表面——电磁波遇到大型平滑障碍物（如建筑墙面）时，会像台球撞击桌边一样改变方向。反射波的强度与材料导电性密切相关：

散射则是电磁波遇到粗糙表面或小物体时的"分身术"，就像智子同时与多个观测者互动。在5G毫米波通信中，路灯、树叶都可能成为重要的散射节点。

技术提示：瑞利散射准则指出，当障碍物尺寸小于波长/10时，散射效应会显著增强。

2. 搭建Python电磁波实验室

现在让我们用Python构建一个简易的电磁波仿真环境。我们将使用numpy进行数学运算，matplotlib实现动态可视化。

import numpy as np import matplotlib.pyplot as plt from matplotlib.animation import FuncAnimation # 初始化场景 fig, ax = plt.subplots(figsize=(10, 6)) ax.set_xlim(0, 100) ax.set_ylim(0, 60) ax.grid(True) plt.title('电磁波传播模拟器') # 定义发射源和障碍物 tx = np.array([10, 30]) # 发射天线位置 rx = np.array([90, 30]) # 接收天线位置 obstacles = [ {'type': 'wall', 'pos': [50, 20], 'size': [2, 40]}, # 垂直墙体 {'type': 'cube', 'pos': [70, 10], 'size': [5, 5]} # 小型障碍物 ]

这段代码创建了一个100×60单位的虚拟空间，包含：

• 位于(10,30)的发射源
• 位于(90,30)的接收器
• 一道垂直墙面和一个小立方体障碍物

3. 实现直射与反射传播模型

我们先实现最简单的直射传播。当发射端与接收端之间没有障碍时，电磁波将沿直线传播。

def los_propagation(): """直射传播可视化""" wave_fronts = [] for t in np.linspace(0, 1, 20): x = tx[0] + (rx[0]-tx[0])*t y = tx[1] + (rx[1]-tx[1])*t wave_fronts.append(ax.plot(x, y, 'bo', markersize=3, alpha=0.6)[0]) return wave_fronts

反射模型则需要考虑电磁波的入射角等于反射角这一基本物理定律：

def calculate_reflection(point, wall): """计算反射路径""" # 简化处理：只考虑垂直/水平墙面的反射 if wall['size'][0] < wall['size'][1]: # 垂直墙面 reflect_point = [wall['pos'][0], point[1]] path = [tx, reflect_point, rx] else: # 水平墙面 reflect_point = [point[0], wall['pos'][1]] path = [tx, reflect_point, rx] return path

运行这些代码，你将看到电磁波像光线一样从发射端出发，遇到墙面后按照物理定律精确反射。

4. 散射与绕射的趣味实现

散射效应可以通过随机算法模拟电磁波遇到小物体后的"分裂"行为：

def scattering_effect(obstacle): """生成散射路径""" scatter_paths = [] for angle in np.linspace(0, 2*np.pi, 8): # 8个散射方向 scatter_point = [ obstacle['pos'][0] + np.cos(angle)*obstacle['size'][0], obstacle['pos'][1] + np.sin(angle)*obstacle['size'][1] ] scatter_paths.append([tx, obstacle['pos'], scatter_point, rx]) return scatter_paths

绕射（衍射）现象则可以用惠更斯原理来近似模拟。我们在障碍物边缘创建虚拟的次级波源：

def diffraction_simulation(obstacle): """绕射效应模拟""" edge_points = [ [obstacle['pos'][0], obstacle['pos'][1]+obstacle['size'][1]/2], [obstacle['pos'][0]+obstacle['size'][0], obstacle['pos'][1]] ] diffracted_paths = [] for edge in edge_points: # 创建绕射路径 path = [tx] # 添加绕射点 for t in np.linspace(0, 1, 5): x = edge[0] + (rx[0]-edge[0])*t y = edge[1] + (rx[1]-edge[1])*t path.append([x, y]) diffracted_paths.append(path) return diffracted_paths

5. 综合场景动态可视化

最后，我们将所有传播机制整合到一个动态演示中：

def update(frame): """动画更新函数""" ax.clear() ax.set_xlim(0, 100) ax.set_ylim(0, 60) # 绘制固定元素 ax.plot(tx[0], tx[1], 'ro', label='发射源') ax.plot(rx[0], rx[1], 'go', label='接收器') # 绘制障碍物 for obs in obstacles: if obs['type'] == 'wall': rect = plt.Rectangle(obs['pos'], *obs['size'], color='gray', alpha=0.5) ax.add_patch(rect) else: rect = plt.Rectangle(obs['pos'], *obs['size'], color='brown', alpha=0.7) ax.add_patch(rect) # 动态绘制各种传播路径 t = frame % 100 / 100 # 归一化时间参数 # 直射传播 if frame < 20: x = tx[0] + (rx[0]-tx[0])*t*5 y = tx[1] + (rx[1]-tx[1])*t*5 ax.plot(x, y, 'bo', markersize=4, alpha=0.6) # 反射传播 elif 20 <= frame < 40: path = calculate_reflection([50,30], obstacles[0]) ax.plot(*zip(*path), 'c-', linewidth=1.5) # 散射传播 elif 40 <= frame < 70: paths = scattering_effect(obstacles[1]) for p in paths: ax.plot(*zip(*p), 'm--', linewidth=0.8, alpha=0.6) # 绕射传播 else: paths = diffraction_simulation(obstacles[0]) for p in paths: ax.plot(*zip(*p), 'y-.', linewidth=1.2) ax.legend() return ax ani = FuncAnimation(fig, update, frames=100, interval=100) plt.show()

运行这段代码，你将看到一个完整的电磁波传播演示动画，包含：

1. 前20帧：直射传播
2. 20-40帧：反射现象
3. 40-70帧：散射效应
4. 最后30帧：绕射模拟

6. 从仿真到现实的进阶思考

在实际项目中，我们还需要考虑更多复杂因素。比如信号强度随距离的衰减可以用简化的路径损耗模型表示：

def path_loss(distance, frequency=2.4e9): """计算自由空间路径损耗""" # 频率单位为Hz，距离单位为米 lambda_ = 3e8 / frequency # 波长 return 20*np.log10(distance) + 20*np.log10(frequency) - 147.55

多径效应则可以通过叠加多条传播路径的信号来模拟：

def multipath_reception(paths): """模拟多径接收效果""" t = np.linspace(0, 1e-6, 1000) # 1微秒时间窗口 composite_signal = np.zeros_like(t) for i, path in enumerate(paths): # 计算每条路径的时延和衰减 path_length = sum(np.linalg.norm(np.array(path[j+1])-np.array(path[j])) for j in range(len(path)-1)) delay = path_length / 3e8 # 光速传播时延 attenuation = 1/path_length**2 # 平方反比衰减 # 生成该路径的信号 signal = np.sin(2*np.pi*2.4e9*(t - delay)) * attenuation composite_signal += signal # 绘制接收信号波形 plt.figure() plt.plot(t, composite_signal) plt.title('多径效应下的接收信号') plt.xlabel('时间(s)') plt.ylabel('信号强度')

这些代码虽然简化，但已经揭示了无线通信系统设计的核心挑战。在真实的5G网络规划中，工程师们使用更复杂的射线追踪算法，但基本原理与我们今天的实验一脉相承。