这确实是个挺棘手的非线性约束采样问题——毕竟凸多面体那套线性约束的采样方法（比如Hit-and-Run、重心坐标法）完全没法直接套用到这种对数非线性的曲面上。我来分享几个学界里处理这类流形均匀采样常用的思路，都是实际能落地的方向：

首先得明确我们要采样的对象：给定固定的$p_1,p_2,...,p_N \in [0,0.5]$，我们需要在$q_1,q_2,...,q_N \in [0,0.5]$的范围内，均匀采样满足$\sum_{i=1}^{N}p_i\log q_i + (1-p_i)\log(1-q_i) = D$的点集。这个点集本质是一个N-1维的光滑黎曼流形（只要$q_i$不取0，约束的梯度就不会全为零，流形是光滑的），所以我们的目标是在这个流形上采样均匀测度下的点。

1. Metropolis-Hastings（MH）采样（马尔可夫链蒙特卡洛） #

这是最通用的非线性约束采样方案，不需要对约束做太多解析处理，上手门槛低：

• 初始点初始化：先随机选N-1个$q_i \in [0,0.5]$，然后用牛顿迭代法解剩下的那个$q_j$，让它满足约束方程（单变量方程求解很容易收敛），得到第一个合法的初始点。
• 迭代采样：
  • 每次给当前点加一个小扰动：要么直接给每个$q_i$加小高斯噪声（简单但低效），要么在流形的切空间上加扰动（更高效）——切空间是所有正交于约束梯度的向量张成的空间，这样扰动不会偏离流形太远。
  • 检查扰动后的点是否满足$q_i \in [0,0.5]$，不满足直接拒绝；如果满足，调整它回到约束曲面上（比如用牛顿迭代微调最后一个分量），然后用MH接受准则判断是否接受新点：这里要注意，欧氏空间的扰动会改变流形的体积元，所以需要用黎曼体积元校正接受概率，或者直接在切空间上做等距扰动，这样体积元不变，接受概率就是1（只要点在合法范围内）。
• 优缺点：通用性拉满，不管约束多复杂都能用；但收敛速度依赖扰动步长，需要调参，而且样本可能有自相关性。

2. 参数化流形+重要性/接受-拒绝采样 #

如果能把流形用N-1个参数显式表示，就可以直接在参数空间采样，再映射回原空间：

• 参数化方式：固定前N-1个$q_1,...,q_{N-1} \in [0,0.5]$，然后解出$q_N$：
  $$q_N = \exp\left( \frac{D - \sum_{i=1}^{N-1} \left[ p_i\log q_i + (1-p_i)\log(1-q_i) \right]}{p_N} \right)$$
  然后检查$q_N$是否在$[0,0.5]$范围内，合法就保留。
• 均匀性校正：直接在$q_1,...,q_{N-1}$的空间均匀采样，映射后的点在流形上不是均匀的——因为参数空间的均匀测度和流形的均匀测度之间有雅可比行列式的缩放因子。解决方法有两个：
  • 用重要性采样：给每个采样点赋予权重$\frac{1}{|\det J|}$，其中$J$是参数化的雅可比矩阵；
  • 用接受-拒绝采样：采样参数空间的点后，计算雅可比行列式的倒数作为接受概率，拒绝不满足的点。
• 优缺点：如果参数化简单，计算速度快；但高维下雅可比行列式计算复杂，校正成本高。

3. 哈密顿蒙特卡洛（HMC）采样 #

这是比MH更高效的MCMC方法，利用哈密顿动力学生成样本，减少自相关性：

• 核心思路：给每个$q_i$引入共轭动量$r_i$，构造哈密顿量$H(q,r) = \frac{1}{2}||r||^2 + \lambda\left( \sum_{i=1}^{N}p_i\log q_i + (1-p_i)\log(1-q_i) - D \right)$，其中$\lambda$是拉格朗日乘子。然后用哈密顿动力学演化$q$和$r$，再用Metropolis准则接受/拒绝演化后的点。
• 关键优化：可以用黎曼HMC，直接在流形的切空间上定义哈密顿量，这样不需要额外的体积元校正，采样效率更高。
• 优缺点：样本质量高，收敛速度快，适合高维问题；但实现起来比MH复杂，需要计算约束的梯度。

4. 切片采样 #

这是专门处理约束采样的MCMC方法，自动适应流形的形状，不需要手动调步长：

• 核心思路：对于当前点$q$，引入一个辅助变量$u$，然后在流形上定义一个“切片”（所有满足约束且在$u$对应的范围内的点），然后在这个切片内均匀采样一个新点。
• 实现细节：对于高维流形，通常用自适应切片采样，每次只调整一个分量，逐步逼近合法的新点。
• 优缺点：不需要调参，样本质量高；但高维下实现复杂度高，计算量比MH大。

额外注意事项 #

• 初始点合法性：一定要确保初始点严格满足约束和$q_i \in [0,0.5]$，否则马尔可夫链可能收敛到错误的分布。
• 均匀测度的定义：要明确你要的是流形上的黎曼均匀测度（即按流形的体积元均匀），还是欧氏空间中约束曲面上的投影均匀——后者需要额外的校正，因为欧氏空间的均匀投影和黎曼均匀测度不一样。
• 小规模N的特殊处理：如果N很小（比如N=2,3），可以用数值积分计算流形的体积，然后直接用接受-拒绝采样，效率会比MCMC高很多。

备注：内容来源于stack exchange，提问作者Benjamin Wu