具体程序代码如下，主要问题就是不管我怎么调整参数，最终的预测结果都没有太大的变化，还请了解这两大算法的帮忙看看问题出在哪里了，十分感谢！

tic;

close all;

clear;

clc;

format compact;

load M2.mat    %载入数据

% 提取数据

N=length(M2)-36;

train_tsx=zeros(N,36);

for i=1:N

train_tsx(i,:)=M2(i:i+35);

Y(i)=M2(i+36);               %36个月代表货币周期，从历史数据来看，大致与短经济周期一样(3-4年)

end

train_ts=Y';

%数据预处理，将原始数据进行归一化

ts = train_ts';

tsx = train_tsx';

% mapminmax为matlab自带的映射函数

% 对ts进行归一化

[TS,TSps] = mapminmax(ts,0,1);

% 对TS进行转置,以符合libsvm工具箱的数据格式要求

TS = TS';

% mapminmax为matlab自带的映射函数

% 对tsx进行归一化

[TSX,TSXps] = mapminmax(tsx,0,1);

% 对TSX进行转置,以符合libsvm工具箱的数据格式要求

TSX = TSX';

% PSO寻找最佳的SVM参数c&g

% 参数初始化

%粒子群算法中的两个参数

c1 = 0.5; % c1 belongs to [0,2]

c2 = 0.5; % c2 belongs to [0,2]

maxgen=200;   % 进化次数

sizepop=50;   % 种群规模

popcmax=10^(2);

popcmin=10^(-1);

popgmax=10^(3);

popgmin=10^(-2);

k = 0.5;       % k belongs to [0.1,1.0];

Vcmax = 500;

Vcmin = 1 ;

Vgmax = 10;

Vgmin = 0.1 ;

% SVM参数初始化

v = 5;

% 产生初始粒子和速度

for i=1:sizepop     % 随机产生种群

pop(i,1) = (popcmax-popcmin)*rand+popcmin;    % 初始种群

pop(i,2) = (popgmax-popgmin)*rand+popgmin;

V(i,1)=Vcmax*rands(1);  % 初始化速度

V(i,2)=Vgmax*rands(1);

% 计算初始适应度

cmd = ['-v ',num2str(v),' -c ',num2str( pop(i,1) ),' -g ',num2str( pop(i,2) ),' -s 3 -t 2 -p 0.01 '];

fitness(i) = svmtrain(TS, TSX, cmd);

fitness(i) = -fitness(i);

end

% 找极值和极值点

[global_fitness, bestindex]=min(fitness); % 全局极值

local_fitness=fitness;   % 个体极值初始化

global_x=pop(bestindex,:);   % 全局极值点

local_x=pop;    % 个体极值点初始化

% 迭代寻优

for i=1:maxgen

for j=1:sizepop       %速度更新

wV = 1;      % wV best belongs to [0.8,1.2]

V(j,:) = wV*V(j,:) + c1*rand*(local_x(j,:) - pop(j,:)) + c2*rand*(global_x - pop(j,:));

if V(j,1) > Vcmax

V(j,1) = Vcmax;

end

if V(j,1) < Vcmin

V(j,1) = Vcmin;

end

if V(j,2) > Vgmax

V(j,2) = Vgmax;

end

if V(j,2) < Vgmin

V(j,2) = Vgmin;

end

%种群更新

wP = 0.5;

pop(j,:)=pop(j,:)+wP*V(j,:);

if pop(j,1) > popcmax

pop(j,1) = popcmax;

end

if pop(j,1) < popcmin

pop(j,1) = popcmin;

end

if pop(j,2) > popgmax

pop(j,2) = popgmax;

end

if pop(j,2) < popgmin

pop(j,2) = popgmin;

end

% 自适应粒子变异

if rand>0.5

k=ceil(2*rand);

if k == 1

pop(j,k) = (20-1)*rand+1;

end

if k == 2

pop(j,k) = (popgmax-popgmin)*rand+popgmin;

end

end

%适应度值

cmd = ['-v ',num2str(v),' -c ',num2str( pop(j,1) ),' -g ',num2str( pop(j,2) ),' -s 3 -t 2 -p 0.01 '];

fitness(j) = svmtrain(TS, TSX, cmd);

fitness(j) = -fitness(j);

end

%个体最优更新

if fitness(j) < local_fitness(j)

local_x(j,:) = pop(j,:);

local_fitness(j) = fitness(j);

end

%群体最优更新

if fitness(j) < global_fitness

global_x = pop(j,:);

global_fitness = fitness(j);

end

fit_gen(i)=global_fitness;

end

toc

bestc = global_x(1);

bestg = global_x(2);

bestmse = -fit_gen(maxgen);

% 利用回归预测分析最佳的参数进行SVM训练

cmd = ['-c ',num2str( bestc ),' -g ',num2str( bestg ),' -s 3 -t 2 -p 0.01 '];

model = svmtrain(TS,TSX,cmd);

% 进行SVM预测

test_tsx1 = TS(163:198);

test_tsx1=test_tsx1';

[predict1,mse,detesvalue] = svmpredict(8.29,test_tsx1,model);

test_ts1 = mapminmax('reverse',predict1',TSps);