官方给的例子有点复杂，项目中一般就引一个 JS 文件然后调用好了，简单粗暴，网上很少有想要的效果，而且都没有源码，这里分享一个 教程如下：https://blog.csdn.net/zhichaosong/article/details/91695454 效果演示：https://zhichaosong.github.io/particles-js/

这个程序中的粒子滤波重采样采用了mcmc算法，程序本身比较简单，对于学习mcmc的人来说非常有用。

XOOPIC（基于X11的面向对象的单元格内粒子） XOOPIC是二维3速度单元粒子模拟程序。 它可以处理静电和电磁模型，具有多种边界条件，支持多种气体和气体化学，并且可以通过输入文件轻松进行重新配置。 这是一个标准的./configure、make、make安装系统。 从脚本“ run_conf.sh”开始-这是传递参数进行配置的一种更好的方法，并且对xoopic和xgrafix（您需要先安装xgrafix）进行编辑后，就可以对其进行编辑，以满足需要。它来配置xgrafix，然后安装它： $> sh run_conf.sh $> make && sudo make install # note only sudo if you need root privileges to write the destination 然后，一旦完成，使用相同的run_conf.sh来配置xoop

本文基于支持向量机（SVM）和改进的粒子群优化（IPSO）算法（SVM-IPSO）创建了双向预测模型，以预测碳纤维的性能和生产参数。 在SVM中，选择对预测性能有重要影响的参数至关重要。 提出了IPSO对它们进行优化的方法，然后将SVM-IPSO模型应用于碳纤维产量的双向预测。 SVM的预测精度主要取决于其参数，因此利用IPSO来寻找SVM的最佳参数，以提高其预测能力。 受小区通信机制的启发，我们通过将全球最佳解决方案的信息纳入搜索策略来提出IPSO，以提高开发效率，并采用IPSO建立双向预测模型：在前向预测的方向上，我们认为富有成效参数作为输入，属性索引作为输出； 在向后预测的方向上，我们将性能指标视为输入，将生产参数视为输出，在这种情况下，该模型成为新型碳纤维的方案设计。 来自一组实验数据的结果表明，该模型的性能优于径向基函数神经网络（RNN），基本粒子群优化（PSO）方法以及遗传算法和改进的粒子群优化（GA- IPSO）方法在大多数实验中都是如此。 换句话说，仿真结果证明了SVM-IPSO模型在处理预测问题方面的有效性和优势。

粒子插件Particle Playground2+3

Particle Lines v2.0.2

地形辅助定位TERRAIN-AIDED LOCALIZATION USING FEATURE-BASED PARTICLE FILTERING.pdf

Design of particle swarm optimization with random flying time

We propose a method for simultaneous 3D temperature and velocity measurement of a micro-flow field. The 3D temperature field is characterized with two-color laser-induced fluorescence particles which are tracked with micro-digital holographic particle tracking velocimetry. A diffraction-based model

烟雾气特效