非线性变换单纯形均匀采样算法验证：密度与采样逻辑核查

问题背景 #

该算法意图在三维空间的变换单纯形曲面上均匀采样优先级向量，变换方式为对原标准2-单纯形的其中一个权重分量取幂。以下从三个核心维度核查代码正确性：

1. 雅可比密度计算的问题 #

原代码中用于密度修正的雅可比因子为：

density = power * np.power(w[transform_idx], power - 1)

这一计算是错误的，原因如下：

• 该公式是一维变量变换的雅可比行列式（仅描述单变量$z \to z^p$的长度缩放比例），但我们处理的是二维曲面的测度变换，不能直接套用一维结果。
• 标准2-单纯形是二维曲面，其测度依赖于参数化后的Gram矩阵行列式的平方根。当对某一分量做幂变换后，曲面的测度元素需要重新计算：
  假设原单纯形参数化为$(u, v, 1-u-v)$，对第三个分量做$z' = (1-u-v)^p$变换后，新曲面的参数化雅可比矩阵的Gram矩阵行列式为$1 + 2p^2 z^{2(p-1)}$（$z=1-u-v$），因此曲面测度元素为$\sqrt{1 + 2p^2 z^{2(p-1)}} du dv$，而非一维的$p z^{p-1}$。
• 额外问题：代码中变换后的向量transformed分量和不为1，不符合单纯形的定义（单纯形要求所有非负分量和为1），这会导致采样结果不在目标曲面上。

2. 重要性采样逻辑的偏差 #

原采样代码逻辑：

samples = []
while len(samples) < n_samples:
    # Sample from the standard 2-simplex
    u = np.random.uniform(0, 1, 2)
    u = np.sort(u)
    
    w = np.array([u[0], u[1] - u[0], 1 - u[1]])
    
    # Compute the density correction (Jacobian factor)
    # The transformation stretches/compresses the surface

    # The Jacobian determinant factor for the surface measure
    density = power * np.power(w[transform_idx], power - 1)

    # Rejection sampling
    if np.random.uniform(0, max_density) <= density:
        transformed = w.copy()
        transformed[transform_idx] = np.power(w[transform_idx], power)
        samples.append(transformed)

该逻辑存在核心偏差：

• 若目标是在变换后的单纯形（分量和为1）上均匀采样，正确的流程应该是：
  1. 定义变换后的单纯形：将原分量$w_k$替换为$w_k^p$后，重新归一化所有分量使其和为1；
  2. 推导该变换对应的原单纯形上的诱导分布密度，再基于此设计拒绝采样的接受概率。
• 当前代码未做归一化，采样结果transformed的分量和为$w_0 + w_1 + w_k^p = (1 - w_k) + w_k^p$（$w_k$为被变换的分量），显然不等于1，因此采样结果不在目标单纯形曲面上；同时使用错误的密度因子，无法保证采样的均匀性。

3. 最大密度计算的错误 #

原代码中的最大密度计算逻辑：

if power >= 1:
    max_densidy = power  # Maximum at w=1
else:
    max_densidy = power * np.power(0.01, power - 1)

存在两处核心问题：

• 当power < 1时，使用0.01作为$w$的取值是完全随意的，没有数学依据：
  对于一维函数$f(z) = p z^{p-1}$，当$p < 1$时，$z \to 0^+$时$f(z) \to +\infty$，这意味着该函数在原单纯形上没有上界（因为$z$可以无限趋近于0），此时无法用固定的max_density做拒绝采样。
• 即使忽略曲面测度的问题，仅看一维函数的最大值：当$p \geq 1$时，$f(z)=p z^{p-1}$在$z=1$处取最大值$p$，这部分是对的，但当$p < 1$时函数无界，代码中的0.01是不合理的经验值，会导致大量采样被错误拒绝，或者无法覆盖$z$趋近于0的区域。

修正建议 #

• 修正变换定义：若目标是变换后的单纯形，需在分量取幂后进行归一化，确保结果满足$\sum_i w'_i = 1$；
• 重新推导密度因子：基于正确的曲面测度变换，计算原单纯形采样点对应变换后曲面的测度比值，作为拒绝采样的接受概率；
• 处理$p < 1$的情况：由于此时一维变换的雅可比无界，无法直接用拒绝采样，需换用其他采样策略（比如先采样变换后的分量，再推导其他分量的分布）。

内容的提问来源于stack exchange，提问作者Engr. Moiz Ahmad