摘要
Andradottir，S.、Heyman，D.和Ott，T.J.，1993年。 通过平滑和控制变量减少马尔可夫链模拟的方差。 ACM事务处理。 国防部。 计算。 西姆。 3, 3, 167--189. 谷歌学者 
Andradottir，S.、Heyman，D.和Ott，T.J.，1995年。 马尔可夫链重要性抽样中替代测度的选择。 运营商。 第43、3、509--519号决议。 谷歌学者 Bertsekas，D.和Tsitsiklis，J.，1996年。 神经动力学编程。 Athena Scientific，马萨诸塞州贝尔蒙特。 谷歌学者 Billingsley，P.1995年。 概率与测度。 John Wiley&Sons，纽约州纽约市。 谷歌学者 Borkar，V.和Meyn，S.，2000年。 随机逼近和强化学习收敛的o.d.e.方法。 SIAM J.控制。 选择。 38, 2, 347--469. 谷歌学者 Bratley，P.、Fox，B.和Schrage，L.1987年。 模拟指南。 Springer-Verlag，纽约州纽约市。 谷歌学者 Crane，M.和Iglehart，D.1975。 模拟稳定随机系统，iii：再生过程和离散事件模拟。 运营商。 第23号决议，第33-45号决议。 谷歌学者 Dembo，A.和Zeitouni，O.1992年。 大偏差技术和应用。 Jones和Bartlett，马萨诸塞州波士顿。 谷歌学者 Frater，M.、Lennon，T.和Anderson，B.1991年。 排队网络中罕见事件统计的最优有效估计。 IEEE传输。 自动化。 合同。 36, 12, 1395--1404. 谷歌学者 Glasserman，P.和Kou，S.1995年。 串联队列重要抽样估计的分析。 ACM事务处理。 国防部。 计算。 西姆。 5, 1, 22--42. 谷歌学者 Glasserman，P.和Wang，Y.，1997年。 大偏差概率重要性抽样的反例。 附录申请。 探针。 7, 731--746. 谷歌学者 Glynn，P.和Iglehart，D.1989年。 随机模拟的重要性抽样。 管理。 科学。 第351367-1392页。 谷歌学者 海德堡，P.1977。 模拟马尔可夫链的方差减少技术。 1977年冬季模拟会议记录。 谷歌学者 海德堡，P.1980a。 马尔可夫过程模拟的方差减少技术，i：多重估计。 IBM J.Res.Develop公司。 24, 570--581. 谷歌学者 海德堡，P.1980b。 马尔可夫过程模拟的方差减少技术，ii：矩阵迭代方法。 信息学报13，21-37。 谷歌学者 海德堡，P.1995。 队列和可靠性模型中罕见事件的快速模拟。 ACM事务处理。 模型。 计算。 西姆。 5, 1, 43--85. 谷歌学者 Hseih，M.和Glynn，P.，2002年。 随机近似算法的置信域。 2002年冬季模拟会议记录。 370--376. 谷歌学者 Juneja，S.2001年。 重要性抽样和循环方法。 运营商。 第49、6、900--912号决议。 谷歌学者 2003年6月，S。 使用重要性抽样的高效罕见事件模拟：简介。 《计算数学、建模和算法》，J.C.Misra主编，印度新德里纳罗莎出版社，357-396。 谷歌学者 Juneja，S.和Shahabuddin，P.，2001年。 具有小转移概率的马尔可夫链的有效模拟。 管理。 科学。 第47页，第4757-562页。 谷歌学者 Kushner，H.和Yin，G.1997年。 随机逼近算法及其应用。 Springer-Verlag，纽约州纽约市。 谷歌学者 Parekh，S.和Walrand，J.1989年。 队列网络中过量积压的快速模拟方法。 IEEE传输。 自动化。 合同。 34, 1, 54--66. 谷歌学者 Precup，D.、Sutton，R.和Singh，S.，2000年。 非保单政策评估的资格跟踪。 第17届国际机器学习会议（ICML'00）论文集。 摩根·考夫曼，加利福尼亚州旧金山，759-766。 谷歌学者 Rubinstein，R.1997年。 具有罕见事件的计算机模拟模型的优化。 欧洲J.操作。 第99号决议、第89-112号决议。 谷歌学者 Rubinstein，R.1999年。 通过交叉熵和重要性抽样进行罕见事件模拟。 第二次罕见事件模拟研讨会（RESIM'99）。 1--17. 谷歌学者 Singh，S.和Dayan，P.1998年。 时间差分学习的分析均方误差曲线。 机器。 学习。 32, 5--40. 谷歌学者 Singh，S.和Sutton，R.，1996年。 通过替换资格痕迹强化学习。 机器。 学习。 22, 123--158. 谷歌学者 Sutton，R.1988年。 学习通过时间差异的方法进行预测。 机器。 学习。 3, 9--44. 谷歌学者 Sutton，R.和Barto，A.1998年。 强化学习：简介。 麻省理工学院出版社，马萨诸塞州剑桥。 谷歌学者
建议
离散时间马尔可夫链的最优重要抽样 QEST’05：第二届系统定量评估国际会议记录 重要性抽样是一种方差减少技术，用于通过改变度量值进行有效模拟。 特别是，它可以应用于马尔可夫链的罕见事件模拟。 测量的最佳变化总是产生零方差估计量。。。 随机模拟的重要性抽样 重要性抽样是一种经典的方差减少技术，用于提高蒙特卡罗算法估计积分的效率。 其基本思想是用一种新的随机机制取代模拟中原有的随机机制，并在模拟过程中对随机机制进行改进。。。
