使用 Wolf 方法计算多跨梁 4x4 传递矩阵，并进行雅各比迭代，每次迭代会产生一个随机数 z，范围属于 0-1，将其带入 l=1+z 求 l，将新的 l 带入传递矩阵中，最开始选用单位正交向量进行迭代，迭代后产生的向量进行施密特正交化处理再，将迭代后的向量带入下次新迭代过程，共进行 10000 次迭代后，最终求李雅普诺夫指数

以下是 Python 代码实现：

import numpy as np
from scipy.linalg import norm, eigvals, qr

# 构造多跨梁 4x4 传递矩阵
A = np.array([[0.7, 0.2, 0.1, 0.0],
              [0.3, 0.5, 0.2, 0.0],
              [0.0, 0.2, 0.6, 0.2],
              [0.0, 0.0, 0.3, 0.7]])

# 进行雅各比迭代
n = A.shape[0]  # 矩阵维度
v = np.eye(n)   # 初始单位正交向量
for i in range(10000):
    z = np.random.rand()  # 产生随机数 z
    l = 1 + z  # 计算 l
    A = l * A  # 更新传递矩阵
    Q, R = qr(v)  # 对当前向量进行 QR 分解
    v = A.dot(Q[:, 0])  # 计算新的向量
    for j in range(1, n):
        v -= np.dot(v, Q[:, j]) * Q[:, j]  # 施密特正交化处理
    v /= norm(v)  # 归一化新向量

# 计算李雅普诺夫指数
mu = np.log(eigvals(A)).real.sum() / n

print("李雅普诺夫指数为:", mu)

其中，`np.eye(n)` 用于生成初始的单位正交向量，`np.random.rand()` 用于产生随机数 z，`A.dot(Q[:, 0])` 用于计算新的向量，`np.dot(v, Q[:, j]) * Q[:, j]` 用于施密特正交化处理，`np.log(eigvals(A)).real.sum() / n` 用于计算李雅普诺夫指数。