用混合整数目标规划实现个性化膳食优化：告别1.7个鸡蛋的尴尬
告别“1.7个鸡蛋”：新算法让膳食优化更现实
你是否曾在饮食App中见过“建议摄入1.7个鸡蛋”或“0.37根香蕉”这样令人哭笑不得的建议？这并非开发者粗心，而是传统营养优化模型的固有缺陷。近日，一篇发表在arXiv上的论文提出了一种名为混合整数目标规划（Mixed Integer Goal Programming, MIGP） 的新方法，旨在解决这一长期困扰运筹学与营养学交叉领域的问题。
传统模型的两个“硬伤”
膳食优化是运筹学中最古老的问题之一，但现有模型普遍存在两个局限：
- 连续变量的“分数”尴尬：为了数学上的便利，模型通常允许食物份量为连续数值，结果产生无法执行的分数建议。
- 硬约束导致的“无解”困境：当多种营养素目标冲突时（如同时要求高蛋白和低脂肪），严格的约束条件会使模型找不到任何可行解，用户只能得到“无法满足”的提示。
论文作者对56篇相关文献进行了系统回顾，发现没有一篇同时采用整数规划（处理份量离散性）和目标规划（处理冲突目标）来解决这两个问题。
MIGP：两全其美的方案
MIGP的核心创新在于将整数变量与目标规划有机结合：
- 整数变量确保每种食物的份量为自然单位（如1个鸡蛋、2汤匙油），无需后续取整。
- 目标规划将严格的营养约束转化为“软目标”，允许一定程度偏离，但通过优化使总偏离最小化。
更巧妙的是，MIGP引入了逆目标归一化技术，平衡不同量纲的营养素（如以克计的蛋白质和以毫克计的维生素C），避免某一指标主导优化方向。
论文还从理论上分析了MIGP的整数间隙特性：由于目标规划的偏差变量天然吸收了整数约束带来的成本，MIGP的整数间隙在结构上小于传统硬约束混合整数规划。实验证实，当食谱包含15种以上食物时，整数解与连续最优解完全一致。
性能表现：更快、更优、更可行
研究团队使用30种USDA食物构建了810个测试实例，对比了三种方法：
| 方法 | 优于对比方法比例 | 可行性率 |
|---|---|---|
| MIGP | — | 100% |
| 目标规划+后续取整 | MIGP在66%实例中更优（从未更差） | 100% |
| 硬约束整数规划 | — | 48% |
在求解速度上，对于典型食谱规模，使用开源求解器HiGHS，MIGP的求解时间始终低于100毫秒，完全满足实时交互需求。
开源与落地
该研究不仅停留在理论层面，作者已将实现代码封装为开源Python模块，并集成到一款交互式膳食规划应用中。这意味着未来的智能饮食App有望提供更加精准、可执行的建议，让“吃什么”的问题真正得到科学解答。
这项研究的价值在于弥合了运筹学优化与真实世界饮食场景之间的鸿沟。从“理论最优”到“实际可行”，MIGP为个性化营养推荐、慢性病膳食管理、公共营养政策等领域提供了更可靠的数学工具。