我说反了，是4个自变量，一个因变量

抱歉，我理解错了。下面是修正后的代码，其中有四个自变量和一个因变量：

function [coefficients, equation] = particleSwarmOptimization(data, degree, numParticles, maxIterations)

    % 数据准备
    x = data(:, 1:4); % 自变量
    y = data(:, 5); % 因变量

    % 初始化粒子群
    numCoefficients = degree + 1; % 待定系数个数
    particles = rand(numParticles, numCoefficients);
    velocities = zeros(numParticles, numCoefficients);
    pBestPositions = particles;
    pBestValues = inf(numParticles, 1);
    gBestValue = inf;
    gBestPosition = zeros(1, numCoefficients);

    % 迭代优化
    for iteration = 1:maxIterations
        for particle = 1:numParticles
            % 计算粒子的适应度函数值
            currentCoefficients = particles(particle, :);
            predictedY = polyval(currentCoefficients, x);
            error = sqrt(mean((y - predictedY).^2));

            % 更新个体最优解
            if error < pBestValues(particle)
                pBestValues(particle) = error;
                pBestPositions(particle, :) = currentCoefficients;
            end

            % 更新全局最优解
            if error < gBestValue
                gBestValue = error;
                gBestPosition = currentCoefficients;
            end

            % 更新粒子速度和位置
            w = 0.5; % 惯性权重
            c1 = 1; % 学习因子1
            c2 = 1; % 学习因子2
            r1 = rand(1, numCoefficients);
            r2 = rand(1, numCoefficients);
            velocities(particle, :) = w * velocities(particle, :) + c1 * r1 .* (pBestPositions(particle, :) - particles(particle, :)) + c2 * r2 .* (gBestPosition - particles(particle, :));
            particles(particle, :) = particles(particle, :) + velocities(particle, :);
        end
    end
    
    % 输出回归方程
    coefficients = gBestPosition;
    equation = poly2str(gBestPosition);

end

使用示例：

% 假设你的数据保存在一个名为data的矩阵中，其中前四列是自变量，最后一列是因变量
data = [x1, x2, x3, x4, y];

degree = 2; % 多项式的阶数
numParticles = 50; % 粒子数
maxIterations = 100; % 最大迭代次数

[coefficients, equation] = particleSwarmOptimization(data, degree, numParticles, maxIterations);

disp('回归方程：');
disp(equation);

同样，这只是一个简单的示例代码，请根据你的实际情况进行适当修改和调整。