Este documento presenta un enfoque novedoso, utilizando selección de características híbridas (HFS), aprendizaje automático (ML) y optimización de enjambre de partículas (PSO) para predecir y optimizar la productividad laboral en la construcción (CLP). HFS selecciona factores que son más predictivos de CLP para reducir la complejidad de los datos de CLP. Los factores seleccionados se utilizan como entradas para cuatro modelos de ML para la predicción de CLP. Los resultados del estudio mostraron que el bosque aleatorio (RF) obtiene un mejor rendimiento al mapear la relación entre CLP y los factores seleccionados que afectan a CLP, en comparación con los otros tres modelos. Finalmente, se desarrolla la integración de RF y PSO para identificar el valor máximo de CLP y el valor óptimo de cada factor seleccionado. Este documento presenta un nuevo modelo híbrido llamado HFS-RF-PSO que aborda la principal limitación de los estudios existentes de predicción de CLP, que es la falta de capacidad para optimizar CLP y sus factores más predictivos con respecto a las preferencias de una empresa de construcción, como un CLP objetivo. La principal contribución de este documento es el desarrollo del modelo híbrido HFS-RF-PSO como un enfoque novedoso para optimizar los factores que influyen en CLP e identificar el valor máximo de CLP.