通常系综取样是通过梅特罗波利斯–黑斯廷斯算法按照玻耳兹曼分布在的参数空间进行随机行走，从而完成重要性取样。然而，当存在多个能量极小值，并且每个极小值在参数空间的位置离得很远时，由于随机行走过程很容易局域在局域极小点上，从而由一个极小点到另一个极小点的演化时间可能非常长，这就导致模拟很难收敛。如一级相变时，从一个物理态演化到另一个物理态，有可能会出现局域极小点自束缚问题，诸如过热或过冷。为了解决这个问题，多重正则采样选择通过引入新的抽样，使其在的空间内趋向于均匀，如图为波茨模型^[注]蒙特卡罗模拟时系综和多重系综采样的分布函数（纵轴为分布函数，横轴是作用量）。

波茨模型蒙特卡罗模拟时分布函数选择的比较

这样使样本在能量空间更均匀，一个直接的方法是将分布函数变为态密度函数的倒数。因为每一个能量对应了很多种可能的状态，而这个状态数即为态密度。选取其倒数作为分布函数进行抽样之后，样本在能量空间中即呈现出均匀分布，所以多重正则采样也被称为平直方图采样。由于样本在能量空间连续分布，所以避免了参数空间内局域极小值自束缚问题。此外，抽样过程与温度无关，所以一次模拟过程就可以得到所有温度下的测量值。缺点在于态密度的函数形式一般并不都能通过解析得到。但是，通过王-朗道数值迭代求解，可近似得到态密度的离散值，从而可直接对配分函数、自由能以及其他物理观测量进行计算。王-朗道方法已应用于量子蒙特卡罗来计算量子纠缠，此外通过与并行退火方法结合可进一步的增强了对于蛋白质折叠方面的计算。