书法欣赏被广泛认为需要进行时序还原，而绘画的时序还原长期被忽略，并且笔触的细节特征被认为能增强时序的感知。为了量化时序感以及探究笔触细节特征对时序感的影响，提出了一种基于马尔可夫链熵率的书画作品时序感量化方法。首先，将个体在书画作品上标记点的感知时序建模为马尔可夫链；然后，计算马尔可夫模型的熵率得到感知时序的不确定性；最后，采用负熵来衡量感知时序的有序性，并将其归一化得到量化指标——时序感。通过对多个书画作品的时序感实测，验证了此方法的可行性，并基于该度量研究了图形变换对书画作品时序感知的影响。实验结果显示，原始图像在旋转或镜像变换后的时序感的一致性保持在较高水平，但正确率有显著变化。这意味着，笔触特征并非形成时序感受的首要因素，观者自身的笔顺经验在其中更加重要，而该推论还需进一步验证。

针对粒子群优化算法中典型线性递减策略的惯性权重不能和运算过程中非线性变化的特点相匹配的问题，提出一种用典型线性递减策略和动态变化策略相结合的方法来确定惯性权重的粒子群优化算法(L-DPSO)。该算法充分利用了线性递减策略的线性和动态变化策略的非线性特点，对两种策略赋予了相应的权重。然后将L-DPSO算法和单独使用典型线性递减策略来确定惯性权重的粒子群优化算法(LPSO)及单独使用动态变化策略来确定惯性权重的粒子群优化算法(DPSO)进行比较，用Griewank和Rastrigin函数进行测试，结果表明，适当调整典型线性递减策略和动态变化策略的权重，L-DPSO算法的收敛速度明显优于LPSO和DPSO算法，收敛精度也有所提高。最后，对L-DPSO算法和几种常用的惯性权重计算方法确定的粒子群优化算法作比较，用Griewank和Rastrigin函数进行测试，结果表明L-DPSO算法也有明显优势。