我第一次认真琢磨“乒乓原理”，倒不是因为打乒乓球，而是同事调试一段数据流的时候说了句“这不就是个乒乓缓冲嘛”。后来才发现，这个词在不同圈子里指的东西完全不是一回事：搞硬件和图形处理的，说的是数据在两块缓冲区之间来回倒换；搞物理模拟的，说的却是一粒小球落到水面后反弹、下落、再反弹的振荡过程。这篇博文要聊的是后面这个版本，也就是很多动力学入门题里出现过的那道经典小题：给定初始高度和反弹恢复系数，用代码一步步复现小球的位置变化，直到它最终停在水面上。

如果你刚接触数值模拟，或者想用一段不长的 Python 代码理解“离散采样误差”“事件检测”“停止条件”这些概念，那这篇内容正好适合你。我会从最直白的固定步长写法开始，再逐步换成更可靠的事件驱动写法，中间穿插我实际调试时踩过的几个坑。最后你会发现，代码本身不难，难的是搞清楚每一步计算到底在近似什么、误差从哪里来。

1. 区分两种“乒乓”，本文demo要模拟的是哪一种

先把这个歧义说清楚，否则后面容易对不上号。乒乓球这个比喻在软件里最常见的是“乒乓缓冲”，英文叫 ping-pong buffering，典型场景是显卡渲染或者数据采集：两块缓冲区轮流充当读写目标，A 写的时候 B 读，下一帧换过来，避免读写冲突。这种“换来换去”的结构确实很形象，但它是工程架构上的乒乓，不是物理上的乒乓。

本文的 demo 走的是另一条线，即物理里的反弹振荡。一个球从空中被释放，受重力往下掉，碰到水面后速度反向，但幅值会打折扣。因为它每次反弹都损失一部分能量，所以反弹高度会越来越低，最后无限逼近水面。这个过程在纸上算其实很简单，但要用代码模拟就不那么简单了，因为你得决定“怎么把连续运动切成离散的时间步”，还要处理“小球是否刚好触及水面”这种边界判断。

我把目标限定为：用代码复现一维竖向上小球的运动轨迹，横轴是时间，纵轴是高度。初始高度自定，反弹恢复系数（通常记作 rho）自定，重力加速度取 9.81。你要观察到的是：高度峰值按几何级数递减，间隔越来越短，最终趋于静止。这个模型虽然简化到只剩一条直线，但它已经包含了数值模拟最核心的三件事——离散化、事件判断、终止条件。把这三点弄明白，后面你去看更复杂的物理引擎或者游戏跳跃系统，思路都是相通的。

2. 把一句话问题翻译成物理模型：坐标、参数与运动法则

很多教程一上来就写代码，但我建议先花两分钟把模型定下来，不然后面改起来很痛苦。我用 y 表示小球相对水面的高度，水面是 y=0，正方向向上。小球在空中运动时，只受重力，加速度是 -g。当它碰到水面那一个瞬间，速度方向反转并乘以恢复系数 rho，也就是 v_new = -rho * v_old。rho 取 0.8 表示每次反弹保留 80% 的速度值，或者说保留 64% 的动能（因为动能和速度平方成正比）。

这里有个容易忽略的点：现实中的反弹并不是瞬时完成的，球入水后还有挤压、形变、排水这些过程。但作为理解性 demo，我们可以把碰撞当成一个瞬间事件，只要是 y<=0 就立刻反转速度，这已经能很好体现“周期衰减”的核心特征了。

于是运动法则可以写成下面这几条：

• 空中：速度以恒定重力加速度递减，v = v - g * dt
• 位置随速度更新：y = y + v * dt
• 碰到水面（y <= 0）：把 y 修正回 0，然后 v = -rho * v

你可能想问，为什么不能用解析公式直接算？其实可以。从高度 h 落到水面的时间是 sqrt(2h/g)，反弹后再上升到最高点的时间是 sqrt(2h'/g)，因为 h' = rho^2 * h，所以下一次触水时间间隔会等比缩小。理论上你甚至能写出等比数列求和公式。但这样做你就失去了“数值模拟”的意义。写代码模拟的价值在于，当你加入空气阻力、变加速度、不规则碰撞面之后，解析解不再存在，你必须依赖逐步推进的计算，而这就是数值方法发挥作用的地方。

为了防止后面讨论混淆，我把代码里用的参数固定下来：

3. 第一版demo：固定时间步长模拟，先让它跑起来

固定时间步长法是最容易上手的写法。想象你用一个摄像机每隔 dt 秒拍一张照片，所有物理量只在快门瞬间被更新。代码里就是一个 while 循环，每轮做一次速度更新和一次位置更新，最后判断有没有越过水面边界。下面这版是完整的可运行代码：

import matplotlib.pyplot as plt g = 9.81 rho = 0.8 dt = 0.01 y = 1.0 v = 0.0 t = 0.0 times = [t] positions = [y] while t < 10.0: v = v - g * dt y = y + v * dt t = t + dt if y <= 0.0: y = 0.0 v = -rho * v times.append(t) positions.append(y) plt.plot(times, positions) plt.xlabel("time (s)") plt.ylabel("height (m)") plt.title("bounce motion with fixed dt = 0.01") plt.show()

跑完这段代码，你会看到一条快速衰减的振荡曲线。前几次反弹的高度差非常明显，后面则越来越密，最终贴近零轴。这不是物理上“停止”，而是曲线在图上太密集了，看不出变化。控制台里如果把最后几次 v 和 y 打出来，你会发现它们还在小数点后好几位继续挣扎。

选择 dt=0.01 对这类问题已经算比较精细。你可以试着把 dt 调成 0.001，曲线变化不大；再试着调成 0.1，曲线会开始出现肉眼可见的失真。这正是数值模拟里最基础也最核心的训练：理解步长对结果的影响。固定步长的好处是逻辑简单，所有时间点均匀分布，你甚至不用记录每次反弹的具体时刻，直接按顺序画图就行。坏处则是碰撞时刻很少能正好落在采样点上，于是误差会被反复累积。

4. 固定步长跑不动的三处坑：穿透、卡死和能量漂移

第一版代码能跑，但不代表它没问题。我把 dt 从 0.01 改成 0.1 之后，马上看到三种诡异的状况，这在理解“乒乓原理”时特别容易被忽略，值得单独写一节。

穿透。小球从最高点下落，如果一步跨得太大，这一帧 y 还是正的，下一帧 y 已经变成 -2.0。你的判断条件 y <= 0 确实能拦住它，但要注意它是在“很深的地方”才被拦住的，实际水面位置已经被跳过。这会直接导致反弹高度偏低，因为整段负位移对应的势能没被计入。更严重的情况是，如果这一步跨出的距离长到让小球的负速度非常大，反弹后速度仍然为负，下一帧它又立刻撞水面，循环看起来就像小球“粘”在水面下方来回颤抖。

卡死。恢复系数不是 0 的时候，小球反弹速度会越来越小。当 |v| 已经很小，而 dt 又不够小时，每次更新的位移量 v*dt 可能小于浮点数能分辨的最小单位，此时 y 的变化几乎停滞。配合穿透修正“强制把 y 设回 0”，小球可能在某几帧内被反复触发反弹逻辑，进度却不往前走。表现为曲线尾部出现一段水平抖动，而不是平滑收敛。

能量漂移。固定步长下，碰撞检测永远发生在 y 的采样值小于等于 0 之后，这意味着你总是比真实碰撞晚一点才反转速度。这个“晚一点”会让系统多走一段向下的位移，等效于多损失了一部分能量。每次反弹都多损失一点，整体衰减就比理论上更快。如果你画一条理论峰值衰减线做对照，固定步长的那条会明显偏低。

要解决这三个问题，第一反应是把 dt 调小，这当然有效，但不能根治，因为不管 dt 多小，碰撞时刻依旧几乎不可能正好落在采样点上。更稳妥的思路有两个方向：一是做“插值补偿”，在检测到穿透时，用线性插值估算出真实穿透前的位置和速度，再在那个近似接触点上处理反弹；二是彻底换思路，改成事件驱动。

5. 来一次事件驱动模拟：精确算准每一次触水时刻

所谓事件驱动，就是不按固定时间间隔走，而是先求出“下一次碰撞发生在什么时候”，直接跳到那个时刻，然后再从碰撞后的状态继续计算。对于纯重力模型，这个时间可以用解析式精确算出，根本不需要一点一点逼近。

假设当前小球在高度 h 处，初速度为零（或者只有竖直方向速度），那么它落到水面所需的时间是 t = sqrt(2h/g)，触水瞬间的速度是 v = -sqrt(2gh)。反弹后的速度是 rho * sqrt(2gh)，它能重新上升的最大高度是 h' = (rho^2 * 2gh) / (2g) = rho^2 * h。这样，下一次“从最高点落回水面”的时间和这一次完全一样，周期规律就出来了。

按这个思路，代码可以写得很干净：

import math def event_driven_bounce(y0, rho, g=9.81, max_bounces=50): times = [0.0] heights = [y0] h = y0 for i in range(max_bounces): if h < 1e-6: break t_air = math.sqrt(2.0 * h / g) v_impact = math.sqrt(2.0 * g * h) t_next = times[-1] + t_air times.append(t_next) heights.append(0.0) v_rebound = rho * v_impact h = v_rebound * v_rebound / (2.0 * g) return times, heights times, heights = event_driven_bounce(1.0, 0.8) for i in range(min(len(times), 10)): print(f"bounce {i}: t = {times[i]:.6f}, h = {heights[i]:.6f}")

这个版本的输出会有意思得多。你看到的触水时刻几乎就是教科书等比数列：第一次在 0.4515 秒左右，第二次在 0.8598 秒左右，之后每次间隔都在缩短。如果你把峰值高度提取出来，会发现峰值 $h_n$ 正好是 $h_0 * rho^{2n}$。这种精确数字能给 demo 提供很好的验证基准，你可以拿它和固定步长法的输出对比，立刻就能看出离散化误差有多大。

事件驱动版也有局限。它虽然算得准，但要求每次碰撞之间的动力学过程有解析解。一旦加入空气阻力，或者碰到加速度不是常数的情况，你没法再写出 t = sqrt(2h/g) 这种式子，只能回到固定步长或者混合方法。所以这两套思路并不是谁取代谁，而是互补。

6. 加入阻尼与停止条件：让小球在有限时间内停在水面上

纯重力加固定恢复系数的模型，在理论上小球永远不会完全静止，因为每次反弹高度只是衰减，不会变成零，只是越来越趋近于零。真实世界当然不是这样，因为空气阻力和水的粘性会做功，球最终会停在平衡位置。要让 demo 更接近实际，可以在运动方程里加一项与速度成正比的阻尼项。

阻尼的物理意义很好理解：速度越快，阻碍越强。代码里加一个阻尼系数 b，每次速度更新时写成 v = v - (g + b * v) * dt。注意这里 b * v 是阻力产生的加速度，方向和速度相反，所以 b > 0 时阻力是让球减速的，不管球正在上升还是下落，它都在消耗机械能。选 b=0.3 时，你会发现曲线的衰减速度明显变快，后段不再有漫长的“微小振荡”。

加上阻尼之后，反弹的峰值高度不再是严格的等比数列，而是更快地衰减。停止条件也得调整。你不能用 h < 1e-6 作为唯一终止条件，因为阻尼很强时，球可能在高度还比较高的情况下已经几乎没有速度，这时候它不会再发生反弹，而是直接静止在水面上。所以更合理的停止判断是：速度绝对值小于某个阈值，且位置离水面足够近，比如：

if abs(v) < 0.001 and abs(y) < 0.001: break

这个阈值怎么选，取决于你要模拟的精度。如果你只关心曲线大致形状，0.01 就够了；如果你要做数值实验对比理论值，建议设到 1e-5 以下。我自己的习惯是先把阈值设得宽松，跑一遍看大致行为，再逐步收窄，直到结果不再显著变化，这说明阈值已经不影响结论了。

7. 从demo到可交差：绘图、指标和参数敏感性

写完模拟还只是第一步，要让这个 demo 真正“能说明问题”，最好再加上可视化和几项关键指标。可视化用一种图就够了：横轴时间、纵轴高度，曲线自然呈现一座座越来越矮的山峰。如果你想更酷一点，可以把碰撞点用散点标出来，这样事件驱动版里每次触水的时刻就一目了然。

下面是给固定步长版加碰撞点标记的代码片段：

hits_t = [] hits_y = [] # 循环内检测到 y 穿越水面时记录 if y <= 0: hits_t.append(t) hits_y.append(0.0)

指标方面，建议至少计算两个值。第一个是第一次反弹峰值，它能直接验证 rho 的准确性：第一次峰值应接近 rho^2 * y0，如果偏差超过 5%，说明步长太大或阻尼加得过猛。第二个是相邻碰撞的时间间隔，在无阻尼事件驱动模型里，间隔比例应该是 rho，如果这个比例不对，说明碰撞判断不精确。

参数敏感性实验是让这个 demo 变得“有深度”的最快方法。你可以固定 g 和 y0，把 rho 从 0.5 扫到 0.95，画出若干条曲线叠在一起。这时你会发现 rho 越大，曲线尾部拖得越长，振荡次数越多，这和直觉一致：恢复系数越接近 1，能量损耗越少，球越难停下来。再把 dt 分别设为 0.1、0.01、0.001 跑同一组参数，曲线之间的差异就是数值误差的可视化证据。

这些图做出来后，这个 demo 就从一个“能跑的代码”变成了一个“能讲清楚的演示”。面试、汇报或者写作业的时候，光贴代码是没有说服力的，但三张图并排一摆，误差、参数影响、收敛行为全都清楚了。

8. 基于反弹模型还能玩出哪些花样，以及我的收尾建议

这套乒乓反弹的核心逻辑其实可以向外延伸很多。比如加上双球：两个小球同时下落，一个恢复系数 0.6，一个 0.9，初始高度相同，观察它们什么时候反弹会交错。比如改成侧向平面：初始速度带水平分量，水面换成地面，小球变成弹跳球，这已经接近游戏里角色跳跃的物理原型。再比如把水面换成移动的活塞面，球撞上去后的反弹速度还要叠加活塞的运动速度，这就变成了一个更接近工程实际的碰撞问题。

代码层面，如果你用的是 Python，还可以尝试把固定步长和事件驱动两种方式封装成两个函数，输入输出统一，方便直接对比。这种“先做对，再做好”的思路比一开始就追求复杂模型更有价值。我自己的实践里，最常见的错误就是过早加入各种花哨的外力，导致失败时根本定位不到是碰撞逻辑的问题还是数值发散的