我有一个数据矩阵9000*85，我想把他当做自变量，把一列数据向量9000*1当做因变量，他们都存于csv文件中，利用PSO算法将自变量和因变量做拟合，注意自变量和因变量的关系是非线性的，我需要最后打印出自变量各自对应的权重系数，以及画出拟合值和真实值的对比图。python代码

好的，下面是一个简单的 Python 代码实现，使用了 PySwarm 库来实现 PSO 算法，并使用 NumPy 和 Pandas 库来加载数据和进行数据处理：

import numpy as np
import pandas as pd
from pyswarm import pso
import matplotlib.pyplot as plt

# 加载数据
data = pd.read_csv('data.csv')

# 将数据分成自变量和因变量
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

# 定义要拟合的非线性函数
def nonlinear_func(weights, X):
    return np.dot(X, weights)

# 定义误差函数
def error_func(weights, X, y):
    y_pred = nonlinear_func(weights, X)
    return np.mean(np.abs(y_pred - y))

# 使用 PSO 算法拟合非线性函数
num_weights = X.shape[1]
lb = np.zeros(num_weights)
ub = np.ones(num_weights)
options = {'c1': 0.5, 'c2': 0.3, 'w': 0.9}
weights, _ = pso(error_func, lb, ub, args=(X, y), options=options)

# 打印权重系数
print('Weights:', weights)

# 画出拟合值和真实值的对比图
y_pred = nonlinear_func(weights, X)
plt.plot(y, label='True')
plt.plot(y_pred, label='Predicted')
plt.legend()
plt.show()

在上面的代码中，我们首先使用 Pandas 库加载数据，并将数据分成自变量和因变量。然后，我们定义了要拟合的非线性函数 `nonlinear_func`，它接受权重和自变量作为输入，返回预测的因变量值。我们还定义了误差函数 `error_func`，它接受权重、自变量和真实的因变量作为输入，返回预测值和真实值之间的平均绝对误差。

接下来，我们使用 PSO 算法拟合非线性函数，其中 `num_weights` 表示权重的个数，`lb` 和 `ub` 分别表示权重的下界和上界，`options` 是一些算法参数。最后，我们打印出权重系数，并画出拟合值和真实值的对比图。

需要注意的是，PSO 算法可能会因为初始随机种子而导致结果不稳定，因此可能需要多次运行算法并取平均值来得到更可靠的结果。另外，如果数据矩阵过大，可能需要使用分布式 PSO 算法来提高计算效率。