提出了一种 DEO 方案的改进版本来处理在大数据情况下的多分布并行模拟问题，该方案在合理的窗口大小下能够取得 $O (PlogP)$ 的通信代价，同时采用了大且恒定的学习率的随机梯度下降（SGD）方法，使得用户能够轻松进行复杂概率模型的近似处理。

Nov, 2022

提出了一种自适应算法，可以自动调节温度进度表和随机游走 Metropolis 核的参数。经验结果表明该算法无需先验调整，可以很好地应对不同的场景。

May, 2012

本文针对平行淬火算法，建立基于大偏差理论的性能评估标准，并通过交换机制设计出一种等效的无交换方案，该方案利用一组权重来影响动态和经验测量，理论上最优，但在实际计算中不可行，需要进一步改进。

Oct, 2011

本文提出了对于并行淬火算法中的谱缝隙有多项式相关联的一个新的下限，从而改善了现有基于模数总数的指数上限.

Apr, 2023

本文提出了一种改进并行温度调节蒙特卡罗模拟的算法，通过优化模拟温度集来最大化并行调节算法的效率，在二维 Ising 铁磁体和二维完全瓷棋盘 Ising 模型上验证了该算法。

Feb, 2006

提出了一种新的全局优化方法（模拟淬火法），适用于在有限的非零温度下模拟具有复杂自由能势能面（即许多共存状态）的系统。该方法与模拟退火有关，但温度成为动态变量，并且系统始终保持平衡。我们在随机场伊辛模型上进行了分析，并发现相对于常规的 Metropolis 和 cluster 方法，有了显著的改进。我们分析并讨论了该方法达到最佳性能的条件。

May, 1992

本文比较了并行淬火法和种群退火法两种模拟高自由能的平衡系统的有效性和收敛速度，发现对于大型系统，种群退火法初始时比并行淬火法更快地收敛到平衡态，但随着计算量的增加，并行淬火法的收敛速度呈指数级别提高，最终比种群退火法更快地达到平衡态。

Apr, 2011

本文介绍了一种新的基于非可逆马尔可夫链蒙特卡洛算法的类别，利用连续时间分段确定性马尔可夫过程。这些算法基于确定性动力学演化标记过程的状态，同时利用马尔可夫转移核来改变其状态。通过使用这些算法，只有子集状态被更新，导致其他组件的状态隐含不显，另外，利用无偏估计对数目标时，这些算法保持目标不变。本文提出新的 MCMC 方法来解决这些限制，并在多种应用中展示了这些方案的性能。

Jul, 2017

研究了一种新算法 —— 并行淬火算法，以用于生物分子的数字模拟，通过对甲基 - 恩啡肽的高统计模拟，证明了这种新方法克服了粗糙的能量景观导致的数值模拟减速问题，其数值效率明显优于传统方法，同时与广义集合技术等复杂方法相媲美。

Oct, 1997

本文研究了一种当前或重新引起物理学和统计学关注的非可逆蒙特卡洛马尔可夫链和过程，开发了一种与可逆情景类似的比较结果，揭示了早期文献的一些猜想，并加强了一些早期结果。

Jun, 2019