大学生日平衡膳食食谱的优化设计.docxVIP

大学生日平衡膳食食谱的优化设计

基于日平衡膳食食谱配餐的多目标优化模型

多目标优化算法的一般理论不失一般性，假设一个最大化多目标优化问题拥有个目标函数、个决策变量如式(6-1)：

（6-AUTONUM）

其中，表示个目标函数；定义了个不等式约束条件；定义了个等式约束条件；，表示个决策变量。

对于多目标优化问题，通常有两种方法对目标函数进行计算与比较：线性加权和Pareto排序。

线性加权的思路是将个目标函数加权求和，以此将多目标优化问题转化为单目标优化问题，再进行处理，如(6-2)：

（6-AUTONUM）

其中，为目标函数的权重。

线性加权方法的关键在于如何设计权重。多目标优化问题的理想优化目标是使得各个子目标函数都达到最优，虽然线性加权可以使总体结果达到最优，但子目标可能更差。因为子目标间通常存在冲突，改善一个子目标的同时会影响其他子目标，使得它们的结果更好或更坏。因此，基于Pareto排序的算法更接近于真正意义上的多目标优化。

基于Pareto排序的算法得到的不是单个最优解而是包含一群Pareto解的Pareto解集。Pareto解指无法在不降低其余目标函数的情况下优化任何一个目标，以此达到所有目标的“最优化”。

在最大化多目标优化问题中，对于两个体A与B，若个体A的所有目标函数值都大于个体B，则称A支配B。若A没有被任何个体支配，则称A为Pareto解。

相关定义如下：

定义1：Pareto支配

对于给定的两点，当且仅当式(6-3)成立，称是Pareto支配的，记为。

（6-AUTONUM）

定义2：Pareto最优解

当且仅当式(6-4)成立时，解被称为Pareto最优解：

（6-AUTONUM）

定义3：Pareto最优解集

Pareto解集是所有Pareto最优解的集合，如式(6-5)：

（6-AUTONUM）

本文采用两种方法相结合的模式，固定每餐一份主食与三份配菜，配菜中进行随机搭配。再通过反馈机制学习大学生的用餐偏好，调整搭配结果的排序。

具体而言，假设大学生有种备选饮食，从到为主食，到为配菜。设从饮食能够摄入的第种营养素量为，其中为摄入的分量。那么第种营养素的总摄入量的计算方式如式(6-6)：

（6-AUTONUM）

则种营养素的摄入量计算公式如下：

（6-AUTONUM）

由于配餐的目标是推荐摄入量越接近参考摄入量越好，因此目标函数定义为：

（6-AUTONUM）

其中，为第种营养素的参考摄入量。显然，公式(6-8)对应的就是一个个目标函数、个决策变量的多目标优化问题。其中，子目标函数值越接近1，说明与它对应的营养素的推荐摄入量与参考摄入量的差值越低，即推荐效果越好。

此外，多目标优化的目标函数数量会直接影响到计算的复杂度与找到最优解的效率，因此应该谨慎调整目标函数数量。此处分别以蛋白质氨基酸评分最大、用餐费用最经济、兼顾蛋白质氨基酸评分及经济性作为主要优化目标，构成3个优化目标函数如下：

（6-AUTONUM）

其中表示能量的推荐摄入量，依次表示蛋白质、脂肪及碳水化合物的推荐摄入量；类似的，依次表示能量、蛋白质、脂肪及碳水化合物的参考摄入量；决策变量。

最后，为了使营养配餐的模型更加符合现实情况及营养配餐理论，在假设大学生的营养摄入来源全部来源于饮食，并且摄入的饮食会被全部吸收的前提下。本文进行了约束条件的设置。

（1）早、中、晚餐的热量比例占当天总推荐热量的比例为：30%、40%、30%。同时，热量的来源成分，包括蛋白质、脂肪和碳水化合物，也根据该比例分配到每一餐中。

（2）营养素的参考值中除了有参考摄入量外，还有最大摄入量等参数。配餐结果应尽可能接近参考摄入量，同时配餐结果原则上不应超过最大摄入量，如式(6-10)，否则为食谱配餐失败。

（6-AUTONUM）

其中，依次表示能量、蛋白质、脂肪及碳水化合物的的最大允许量。

结合公式(6-9)、(6-10)，本文的多目标优化函数如式（6-11)：

（6-AUTONUM）