粒子群算法PSO优化随机森林RFR的回归预测MATLAB代码 代码注释清楚，可以读取EXCEL数据，使用换自己数据集。 很方便，初学者容易上手。

一、系统概述

本系统是一套基于MATLAB开发的回归预测解决方案，创新性地融合了粒子群优化（PSO）算法与随机森林（RF）模型，通过PSO算法对随机森林的关键参数进行智能寻优，显著提升了传统随机森林模型在回归预测任务中的精度与稳定性。系统支持Excel表格与MAT文件两种数据输入格式，内置数据预处理、参数优化、模型训练、预测评估全流程功能模块，具备良好的易用性与扩展性，特别适合初学者快速上手，同时也可满足专业用户的定制化预测需求。

二、核心功能模块

（一）数据处理模块

1. 数据导入功能
   - 支持两种主流数据格式导入：一是通过xlsread函数读取Excel文件（如示例中的Folds5x2_pp.xlsx），可指定工作表（Sheet1）与数据范围（A2:E500）；二是通过load函数加载MAT格式数据文件，满足不同数据存储场景的需求。
   - 数据导入过程中自动处理表格结构，无需用户手动调整数据维度，降低操作门槛。
2. 数据集划分功能
   - 采用随机打乱（randperm）与顺序截取相结合的方式划分训练集与测试集，示例中默认将数据按4:1比例划分为400个样本的训练集与100个样本的测试集，用户可根据数据规模灵活调整划分比例。
   - 划分过程中保持输入特征（前4列）与目标变量（第5列）的对应关系，确保数据完整性与一致性。
3. 数据归一化功能
   - 基于mapminmax函数实现数据标准化处理，将输入特征与目标变量分别映射到[0,1]区间，消除不同特征量纲差异对模型训练的影响。
   - 保存归一化参数（psinput、psoutput），用于测试集数据的统一标准化处理与预测结果的反归一化还原，保证数据处理的连贯性。

（二）粒子群优化（PSO）模块

1. 参数初始化功能
   - 可配置PSO核心参数，包括学习因子（c1、c2，默认均为2）、最大迭代次数（maxgen，默认50）、种群规模（sizepop，默认30）、速度边界（Vmax=2、Vmin=-1）与粒子位置边界（popmax=[100,20]、popmin=[10,2]）。
   - 初始化种群位置与速度，通过fun函数计算初始种群的适应度（以均方根误差RMSE为评价指标），为后续迭代寻优奠定基础。
2. 迭代寻优功能
   - 速度更新：根据个体最优位置（gbest）与全局最优位置（zbest），结合学习因子与随机因子动态调整粒子速度，同时通过速度边界限制避免速度异常波动。
   - 位置更新：基于调整后的速度更新粒子位置，通过位置边界限制确保粒子位置始终在合理参数范围内（如随机森林的决策树数量、节点特征数）。
   - 自适应变异：设置1.95的变异概率阈值，对满足条件的粒子进行随机变异，增加种群多样性，避免算法陷入局部最优。
   - 最优更新：每次迭代后更新个体最优与全局最优位置及对应的适应度值，记录每次迭代的全局最优适应度（BestFit），生成迭代误差变化曲线。
3. 优化结果输出功能
   - 迭代结束后输出全局最优粒子位置，该位置对应随机森林的最优超参数组合（决策树数量ntrees、节点特征数nlayers）。
   - 生成PSO优化迭代图，直观展示迭代过程中RMSE的变化趋势，帮助用户分析算法收敛性与寻优效率。

（三）随机森林回归模型模块

1. 模型训练功能
   - 基于regRF_train函数构建随机森林回归模型，该函数支持配置决策树数量（ntree）、节点特征数（mtry）、终端节点最小样本数（nodesize，默认5）、采样方式（replace，默认有放回采样）等核心参数。
   - 训练过程中自动处理数据中的缺失值与异常值，支持分类特征与连续特征的混合输入（最大支持32个分类水平），同时可配置变量重要性评估、邻近度计算等扩展功能。
   - 输出训练完成的模型对象（model），包含决策树结构（lDau、rDau）、节点状态（nodestatus）、模型性能指标（mse、rsq）等关键信息。
2. 预测功能
   - 基于regRFpredict函数实现测试集预测，输入测试集数据与训练好的模型对象，通过调用底层mexRFpredict函数快速生成预测结果（t_sim2）。
   - 支持预测结果的反归一化处理（mapminmax('reverse')），将标准化后的预测结果还原为原始数据尺度，确保预测结果的实际意义。

（四）模型评估与可视化模块

1. 误差分析功能
   - 计算多种回归预测误差指标，包括误差平方和（SSE）、平均绝对误差（MAE）、均方误差（MSE）、均方根误差（RMSE）、平均百分比误差（MAPE），全面评估模型预测精度。
   - 计算预测值与真实值的相关系数（R），反映两者的线性相关程度，进一步验证模型的可靠性。
   - 输出标准化的误差分析报告，包含各误差指标的具体数值与模型预测准确率（(1-MAPE)*100%），便于用户快速判断模型性能。
2. 可视化功能
   - 生成测试集预测结果对比图，以红色星线表示真实值，蓝色圆点线表示预测值，直观展示两者的拟合程度，同时在图标题中标注RMSE值，增强结果可读性。
   - 所有图表均支持网格显示（grid on）、坐标轴标签与标题自定义，用户可根据需求调整图表样式，便于结果展示与报告生成。

三、系统工作流程

1. 环境准备：通过clear all与clc清空MATLAB工作空间变量与命令行窗口，避免历史数据干扰。
2. 数据处理：导入原始数据→划分训练集与测试集→数据归一化处理，完成模型输入数据准备。
3. 参数优化：初始化PSO参数与种群→迭代更新粒子速度与位置→确定随机森林最优超参数，完成模型参数寻优。
4. 模型训练：基于最优超参数构建随机森林回归模型→训练模型并保存模型对象，完成模型构建。
5. 预测评估：使用训练好的模型对测试集进行预测→反归一化处理预测结果→计算误差指标并生成可视化图表，完成模型性能评估。

四、系统特点与优势

1. 高精度预测：通过PSO算法优化随机森林超参数，有效解决传统随机森林参数凭经验设置导致的性能不稳定问题，显著提升回归预测精度。
2. 易用性强：支持多种数据格式导入，代码注释清晰，用户仅需修改数据路径与少量参数即可适配自身数据集，初学者可快速上手。
3. 功能完备：涵盖数据预处理、参数优化、模型训练、预测评估全流程功能，无需额外集成第三方工具，降低系统使用复杂度。
4. 扩展性好：PSO参数、随机森林参数均可灵活配置，支持用户根据具体任务需求调整算法参数，同时可扩展支持多分类、多输出回归等复杂任务。
5. 可视化直观：内置迭代过程与预测结果可视化功能，帮助用户直观理解算法运行过程与模型性能，便于结果分析与报告撰写。

五、适用场景

本系统适用于能源负荷预测、环境污染物浓度预测、工业生产参数预测、金融时间序列预测等多种回归预测场景，尤其适合数据维度适中（特征数100以内、样本数1000以内）、对预测精度要求较高的应用场景，可作为科研人员、工程师进行回归预测任务的高效工具。

粒子群算法PSO优化随机森林RFR的回归预测MATLAB代码 代码注释清楚，可以读取EXCEL数据，使用换自己数据集。 很方便，初学者容易上手。