设计一个好的混合/哈密顿蒙特卡洛算法，我应该知道些什么？

我正在为PyMC设计一种混合蒙特卡洛采样算法，并且试图使其尽可能地简化和通用，因此我正在寻找有关设计HMC算法的好的建议。我已阅读雷德福的调查章节和Beskos等。等人最近发表的有关HMC最佳（步长）调整的论文，我收集了以下技巧：

• 动量变量应该与协方差分布，其中Ç通常是一样的东西分配（为简单分布）的协方差矩阵，但可以想见，是不同的（对于滑稽形分布）。默认情况下，我在该模式下使用粗麻布。$C^{-1}$$C$
• 轨迹应使用跳越法计算（其他集成商似乎不值得）
• 对于非常大的问题，最佳接受率是.651，否则更高。
• 步长大小应该被缩放等，其中，大号是自由变量和d是维数。$L\times d^{(1/4)}$$L$$d$
• 当存在轻尾或其他具有奇数稳定性特征的区域时，步长应更小。步长随机化可以对此有所帮助。

还有其他我应该采纳或至少考虑的想法吗？我应该阅读其他论文吗？例如，是否有值得采用的自适应步长算法？轨迹长度是否有好的建议？实际上是否有更好的集成商？

有人请使其成为社区Wiki。

这篇论文非常有趣（尽管我还没有完全了解我的想法），

Girolami M.Calderhead B.（2011）黎曼流形Langevin和汉密尔顿蒙特卡洛方法。JR统计员。Soc。B.（与讨论）。73，第2部分。pp1-37。

为了确定轨迹长度，Stan背后的人们非常喜欢不掉头采样器http://arxiv.org/abs/1111.4246。Stan的手册http://mc-stan.org/manual.html包含很多链接和详细信息