Metropolis-Hastings算法是一种马尔可夫链蒙特卡洛（MCMC）方法，用于从复杂的概率分布中生成样本。它通过构建一个马尔可夫链来逼近目标分布，使得该链的稳态分布与目标分布一致。该算法的核心思想是利用一个提议分布生成候选样本，并通过接受概率决定是否接受该样本。Metropolis-Hastings算法广泛应用于贝叶斯统计、计算物理学和机器学习等领域，特别适用于高维或难以直接采样的分布。其优势在于不需要知道目标分布的具体归一化常数，只需知道其相对概率即可。算法的效率在很大程度上依赖于提议分布的选择，合适的提议分布可以提高收敛速度和混合性能。
