您陈述了验收标准：

左侧表示似然比$\mathcal{L}_\mathrm{new}/\mathcal{L}_\mathrm{old}$一个新的状态和一个旧的状态。如果新状态比旧状态更有可能，$\mathcal{L}_\mathrm{new}/\mathcal{L}_\mathrm{old} \gt 1$，因此自动满足验收标准。

如果新状态的可能性小于旧状态，$0 \lt \mathcal{L}_\mathrm{new}/\mathcal{L}_\mathrm{old} \lt 1$. 现在接受标准是随机满足的。新状态越不可能（与旧状态相比），它就越不可能被接受，但接受的概率总是有限的（嗯，无论如何都取决于机器精度）。

在实践中，这意味着随着状态空间的探索，算法通常会朝着更可能的状态移动，但偶尔会逆着可能性的梯度移动。如果似然分布中有局部最大值，这很重要，这样算法就可以“摆脱”局部最大值，继续探索状态空间的其他区域。如果没有这个特性，算法会卡在它遇到的似然分布的第一个小峰值上。它还允许对最大值附近的适当探索，状态的占用数量与状态的相对可能性成正比（随着迭代次数的接近$\infty$）。