要计算变量的重要性值，并进行归一化，可以使用随机森林算法来实现。下面是一个使用Python中的scikit-learn库进行变量重要性值计算和归一化的示例代码：

from sklearn.ensemble import RandomForestRegressor
import numpy as np

# 假设有一个包含特征的训练集X和目标变量的向量y
X = ...
y = ...

# 创建随机森林回归模型
rf = RandomForestRegressor(n_estimators=100)
rf.fit(X, y)

# 计算特征的重要性值
importance = rf.feature_importances_

# 归一化重要性值
normalized_importance = np.interp(importance, (importance.min(), importance.max()), (0, 1))

# 打印每个特征的重要性值
for i, feat in enumerate(X.columns):
    print(f"{feat}: {normalized_importance[i]}")

在上述代码中，X是一个包含特征的训练集，y是目标变量的向量。首先，我们创建一个随机森林回归模型，并使用fit方法拟合数据。然后，通过feature_importances_属性获取每个特征的重要性值。接下来，我们使用np.interp函数对重要性值进行归一化，将其范围映射到0到1之间。最后，我们遍历每个特征，并打印其对应的归一化重要性值。

请注意，上述代码中的X.columns假设X是一个DataFrame对象，如果X是一个Numpy数组，则需要使用其他方法来获取特征名。