基于量子退火Metropolis-Hastings算法的叠前随机反演

传统的Metropolis-Hastings （MH）算法是一种常见的随机反演方法,可以得到大量来自于后验分布的样本,从而得到更可靠的参数估计和反演结果的不确定性信息,但对于较为复杂的参数空间,MH算法往往不能对其充分搜索。为此,针对该问题提出了基于量子退火MH算法的叠前随机反演方法,主要通过调节算法的接受概率提高算法的计算效率和稳定性。模型试算与实际数据反演结果表明,相较于传统的MH算法,该方法具有更高的收敛效率。