在求解马尔科夫链的平稳分布向量的众多算法中,基于聚合的多重网格法因其高效性近年来发展十分广泛,但这种方法需要每一层更新整个网格算子,导致计算代价很大。本文针对这一问题,提出了基于实时自适应技术(EIS)的改进算法,将迭代过程中已收敛的向量元素放入一个聚集,以削减粗层矩阵的规模以及粗层算子的构造时间,最终获得更小的计算代价。主要工作分为以下三个部分:首先,在多重网格算法的迭代过程中,向量元素的收敛率并不服从均匀分布。利用这一性质,新的算法同时在细层和粗层上收集对应向量的收敛元素,并将其压缩入一个聚集。尽管压缩后的聚合规则有可能造成单次迭代的收敛速率下降,但由于耗费在构造粗层算子上的时间大大缩短,因此总体上算法的计算代价减少了。其次,考虑到压缩后的聚集可能出现弱连接,从而导致算法的收敛性变差甚至收敛失败,我们对算法做了一个删除弱连接的修正。根据数值实验结果,经过修正的算法能够在一定程度上克服上述缺点,提高收敛效果。最后,为了观察算法的性能,给出了算法中不同循环的平均执行时间和平均求解效率。并讨论了算法中各个参数的取值对算法性能的影响。经过对不同的算例进行测试,结果表明,新算法能够有效提高原有算法的求解效率。