Metropolis 采样与蒙特卡洛算法

Metropolis 算法又叫 Metropolis 抽样，是模拟退火算法的基础，在早期的科学计算中蒙特卡洛方法（Monte Carlo）是对大量原子在给定温度下的平衡态的随机模拟，当蒙特卡洛算法计算量偏大。

1953 年，Metropolis 提出重要性采样，即以概率来接受新状态，而不是使用完全确定的规则，称为 Metropolis 准则，可以显著减小计算量。

假设前一状态为 x(n) ，系统受到一定扰动，状态变为 x(n+1) ，相应地，系统能量由 E(n) 变为 E(n+1) 。 定义系统由 x(n) 变为 x(n+1) 的接收概率为 p （probability of acceptance）：

p=⎧⎩⎨1,exp(−E(n+1)−E(n)T),E(n+1)<E(n)E(n+1)≥E(n)

当状态转移之后，如果能量减小了，那么这种转移就被接受了（以概率 1 发生）。如果能量增大了，就说明系统偏离全局最优位置（能量最低点，模拟退火算法所要寻找的就是密度最高能量最低的位置）更远了，此时算法不会立即将其抛弃，而是进行概率判断：首先在区间 [0,1] 产生一个均匀分布的随机数 ε （np.random.rand()），如果 ε<p （ p 是前面定义的接受概率），这种转移也将被接受，否则拒绝转移，进入下一步，如此循环。

这正是 Metropolis 算法，其核心思想是当能量增加时以一定概率接收，而不是一味的拒绝；