脉象识别是中医诊断的重要手段之一。长期以来，依据个人经验进行的脉诊制约了中医的推广与发展。因此，利用传感设备进行脉象识别的研究正在逐步展开。针对神经网络识别脉象的相关研究中，存在需要大量训练数据集，以及存在处理“黑箱”和时间花销较大等问题，在强化学习的框架下，提出了一种采用马尔可夫决策和蒙特卡罗搜索的脉象图分析法。首先依据中医理论对特定的脉象进行路径分类，然后在此基础上为不同的路径选择代表性特征，最终通过对代表性特征的阈值对比完成对脉象的识别。实验结果表明，所提方法可缩减训练时间和所需资源，并可保留完整的经验轨迹；且在提高脉象识别的准确率的同时，还可解决数据处理过程中的“黑箱”问题。
针对现存粒子群优化（PSO）算法易早熟和收敛速度慢的问题，提出一种融合早熟检测机制和对立随机游走策略的粒子群优化算法（PDORW-PSO）。首先，通过引入平移参数的方法改进Sigmoid函数，以确保在自变量较小时，函数输出值也较小；其次，将全局极值连续未变的次数作为改进后Sigmoid函数的自变量，以计算种群早熟的概率；最后，基于2个随机候选解和粒子历史最优解的反向解更新粒子位置，从而增强种群逃离局部最优的能力。所提算法与经典PSO算法以及5种改进后的PSO算法在8种经典测试函数上的对比实验的结果表明，所提算法的收敛精度和收敛速度和6种对比算法相比，在5种测试函数上排名第一。可见，PDORW-PSO的收敛精度和收敛速度较对比算法有较大提升。
