接受率很大程度上取决于提案分布。如果它的方差很小，则当前点与提案之间的概率之比必然总是接近 1，从而具有很高的接受机会。这只是因为我们通常使用的目标概率密度是小尺度的局部 Lipschitz（一种平滑），因此两个附近点的概率是相似的（非正式地）。

如果您当前的样本接近 MAP 值，则提案的接受概率将小于 1，但仍可能非常接近 1。

附带说明一下，标准做法是调整提案分布以达到 0.2-0.25 的接受率。有关此问题的讨论，请参见此处。

接受概率等于 1 的简单示例是从精确目标进行模拟时：在这种情况下 虽然这听起来像是一个不切实际的例子，但真正的例子是 Gibbs 采样器，它可以被解释为 Metropolis-Hastings 步骤的序列，所有这些步骤都具有概率。

造成您困惑的一个可能原因是 Metropolis-Hastings 算法可能被认为是一种优化算法。该算法在更高的目标区域上花费了更多的迭代，但并不以最大值为目标。虽然对于所有，但这并不意味着具有较低目标值的值必然会被拒绝，因为提案值和也很重要。$\pi(x^\text{MAP})\ge\pi(x)$$x$$q(x^\text{MAP},x)$$q(x,x^\text{MAP})$