💻 computer science

Mixed Integer Goal Programming for Personalized Meal Optimization with User-Defined Serving Granularity

Dit artikel stelt een Mixed Integer Goal Programming (MIGP)-kader voor voor gepersonaliseerde maaltijdoptimalisatie dat tegelijkertijd de onpraktische aard van fractionele porties en de onuitvoerbaarheid van conflicterende voedingsstoffenbeperkingen oplost door het gebruik van geheeltallige variabelen voor natuurlijke portie-eenheden en afwijkingen in doelprogrammering om 100% uitvoerbaarheid te garanderen met een superieure oplossingskwaliteit in vergelijking met bestaande methoden.

Oorspronkelijke auteurs: Francisco Aguilera Moreno

Gepubliceerd 2026-05-15

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Francisco Aguilera Moreno

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert de perfecte maaltijd samen te stellen, maar je hebt een zeer strikte reeks regels: je hebt precies 600 calorieën, 45 gram eiwitten, 67 gram koolhydraten en 17 gram vet nodig. Je hebt een voorraadkast vol met ingrediënten, maar je kunt alleen hele eenheden gebruiken: je kunt geen halve ei, een derde van een banaan of 1,7 schepjes proteïnepoeder gebruiken.

Decennia lang hebben computerwetenschappers geprobeerd dit "Dieetprobleem" met wiskunde op te lossen. Maar ze stuitten op twee grote struikelblokken:

Het "Fractievoedsel"-probleem: Oude wiskundige modellen waren uitstekend in het vinden van het perfecte evenwicht, maar ze gaven antwoorden als "eet 1,7 eieren". Dat is nutteloos in een echte keuken. Je kunt geen 0,7 ei breken.
Het "Alles-of-niets"-probleem: Als je doelen te streng waren (bijvoorbeeld: "Ik heb 40 gram eiwitten nodig, maar heb alleen eieren en rijst"), gaven de oude wiskundige modellen gewoon de handen in de lucht en zeiden: "Onmogelijk! Geen oplossing gevonden!" Ze gaven je geen "beste poging"-maaltijd; ze gaven je niets.

Dit artikel introduceert een nieuwe methode genaamd Gemengd Geheel Doelprogramma (MIGP). Denk hierbij aan een slimme, flexibele kok die twee dingen begrijpt:

Je hebt gehele getallen nodig: Je kunt alleen hele eieren, hele eetlepels en hele sneetjes tellen.
Je hebt een "Beste Poging"-plan nodig: Als je het doel niet precies kunt halen, geeft de kok je de dichtstbijzijnde mogelijke maaltijd en vertelt hij precies hoe ver je er af zit, in plaats van helemaal te weigeren te koken.

De Magische Truc: De "Bufferzone"

De grootste ontdekking van het artikel is een slimme wiskundige truc genaamd "Afwijkingsabsorptie".

Stel je voor dat je een emmer met water probeert te vullen tot een specifieke lijn.

De Oude Weg (Harde Beperkingen): Je hebt een stijve emmer. Als je te veel of te weinig water giet, barst de emmer en faalt het hele proces.
De Nieuwe Weg (MIGP): Je hebt een emmer met een rekbaar rubberen band eromheen (de "afwijkingsbuffer"). Als je iets te veel water giet, rekt het rubberen band zich uit om het vast te houden. Als je te weinig giet, krimpt het.

Het artikel ontdekte dat door deze "rubberen band", het dwingen van de computer om hele getallen te gebruiken (zoals 2 eieren in plaats van 1,7) de kwaliteit van de maaltijd eigenlijk niet echt schaadt. De "rubberen band" absorbeert de kleine fouten die ontstaan door afronding naar boven of beneden.

De "15-voedingsmiddelen"-regel:
De auteurs ontdekten een sweet spot. Als je een menu hebt met 15 of meer verschillende voedingsmiddelen om uit te kiezen, werkt de wiskunde zo goed dat de "geheel getal"-versie praktisch identiek is aan de "perfecte fractie"-versie. De "kosten" van het moeten gebruiken van hele eieren in plaats van 1,7 eieren worden nul. Het systeem heeft zoveel opties dat het altijd een combinatie van hele voedingsmiddelen kan vinden die het doel bijna perfect raakt.

Hoe het de Concurrentie Verslaat

De onderzoekers testten hun nieuwe methode tegen twee andere veelvoorkomende benaderingen:

De "Afrond"-methode: Los de wiskunde op met breuken en rond de getallen vervolgens gewoon af naar het dichtstbijzijnde hele getal.
- Resultaat: Dit leidt vaak tot een slechte maaltijd. Het afronden van één ingrediënt naar boven kan de eiwitten verstoren, en het afronden van een ander naar beneden kan de koolhydraten verpesten. Het is alsof je een puzzel probeert te repareren door te gissen. De nieuwe methode (MIGP) vond 66% van de tijd een betere oplossing en was nooit slechter.
De "Strikte Regels"-methode: Accepteer alleen een maaltijd als het de doelen exact haalt (binnen een kleine marge).
- Resultaat: Dit faalde 52% van de tijd. Als de doelen iets moeilijk te bereiken waren, zei de computer gewoon "Geen oplossing" en gaf het op. De nieuwe methode gaf altijd een oplossing.

Snelheid in de Wereld van Alledag

Je zou denken dat het doen van deze complexe wiskunde veel tijd kost, maar het artikel laat zien dat het ongelooflijk snel is. Voor een typische maaltijd met 8 tot 15 voedingsmiddelen lost de computer het probleem op in minder dan 100 milliseconden. Dat is sneller dan je kunt knipperen. Het is snel genoeg om te worden gebruikt in een telefoon-app waar je op een knop kunt tikken en direct je geoptimaliseerde maaltijdplan kunt zien.

Samenvatting

Kortom, dit artikel geeft ons een manier om geavanceerde wiskunde te gebruiken om echte maaltijden te plannen zonder de frustratie van "onmogelijke" antwoorden of "onbruikbare" fractie-eieren. Het gebruikt een "bufferzone" om de rommeligheid van koken in de echte wereld te hanteren, zodat je, of je nu een klein menu of een groot menu hebt, altijd een praktisch maaltijdplan met hele voedingsmiddelen krijgt dat zo dicht mogelijk bij je voedingsdoelen komt, wiskundig gezien.

Technische Samenvatting: Gemengd-geheelgetallige Doelprogrammering voor Gepersonaliseerde Maaltijdoptimalisatie met Door de Gebruiker Gedefinieerde Portiegranulariteit

Probleemdefinitie
Het artikel behandelt het "Dieetprobleem", een klassieke uitdaging binnen operationeel onderzoek waarbij voedselcombinaties moeten worden bepaald om aan voedingsbehoeften te voldoen. De auteurs identificeren twee aanhoudende beperkingen in bestaande formuleringen:

Fractionele Porties: Standaard Lineaire Programmering (LP) levert continue variabelen op (bijvoorbeeld 1,7 eieren), die wiskundig precies zijn maar onpraktisch voor maaltijdbereiding. Bestaande literatuur behandelt dit vaak als een achteraf afrondingsprobleem, wat de oplossingskwaliteit kan verslechteren en beperkingen kan schenden.
Onhaalbaarheid: Formuleringen met harde beperkingen (waarbij voedingstargets strikte ongelijkheden zijn) leveren vaak geen oplossing op wanneer targets conflicteren of het beschikbare voedselset beperkt is. Dit is vooral problematisch in interactieve toepassingen waar gebruikers begeleiding nodig hebben, zelfs wanneer perfecte targets onbereikbaar zijn.

Hoewel Geheelgetallige Programmering (IP) het granulariteitsprobleem oplost, maakt het doorgaans gebruik van binaire variabelen (opnemen/uitsluiten) in plaats van geheelgetallige kwantiteitsvariabelen (hoeveel porties) en vertrouwt het vaak op harde beperkingen, waardoor het het onhaalbaarheidsprobleem overneemt. Omgekeerd behandelt Doelprogrammering (GP) onhaalbaarheid via zachte targets, maar gebruikt het doorgaans continue variabelen. Een systematische review van 56 artikelen over dieetoptimalisatie toonde een gat aan: er is geen eerder werk dat geheelgetallige programmering combineert met doelprogrammering.

Methodologie: Gemengd-geheelgetallige Doelprogrammering (MIGP)
De auteurs stellen een Gemengd-geheelgetallige Doelprogrammering (MIGP)-formulering voor die geheelgetallige portievariabelen verenigt met zachte doelbeperkingen.

Formulering: Het model gebruikt geheelgetallige beslissingsvariabelen ( $x_i$ ) die het aantal porties voor elk voedsel $i$ vertegenwoordigen. Voedingstargets worden omgezet in zachte doelen met expliciete afwijkingsvariabelen ( $d^+_m, d^-_m$ ) voor over- en onderbereiking.
Doelfunctie: Het model minimaliseert een gewogen som van afwijkingen (MinSum-prestatiefunctie). Om voedingsstoffen met verschillende schalen in evenwicht te brengen (bijvoorbeeld calorieën versus gram vet), hanteren de auteurs normalisatie op basis van de inverse target, waarbij de penalty-weigh $w_m = 1/\max(T_m, 1)$ . Dit zorgt ervoor dat een afwijking van 0,5% in eiwitten dezelfde penalty draagt als een afwijking van 0,5% in calorieën.
Granulariteit: Het model ondersteunt door de gebruiker gedefinieerde portiegroottes (bijvoorbeeld 1 ei, 1 eetlepel olie), waardoor natuurlijke eenheden mogelijk zijn zonder achteraf afronden.
Haalbaarheid: Propositie 1 bewijst dat MIGP altijd haalbaar is voor elke targetvector en voedselset (op voorwaarde dat ten minste één voedsel selecteerbaar is), omdat afwijkingsvariabelen altijd het gat tussen de geselecteerde voedselsoorten en de targets kunnen absorberen.

Integriteitsanalyse en "Afwijkingsabsorptie"
Een belangrijke theoretische bijdrage is de karakterisering van de integriteitskloof ( $\gamma$ ) in de context van Doelprogrammering.

Afwijkingsabsorptie: In tegenstelling tot standaard Gemengd-geheelgetallige Programmering (MIP), waarbij het afronden van geheelgetallige variabelen de doelstelling direct verslechtert, bezit MIGP een eigenschap van "afwijkingsabsorptie". De afwijkingsvariabelen fungeren als een bufferlaag, waardoor de solver afrondingskosten over verschillende macronutriënten kan herverdelen zonder de totale gewogen afwijking te verhogen.
Verbinding met Shapley–Folkman: De auteurs leggen een link met het Shapley–Folkman-theorema, waarbij zij opmerken dat bij $|M|$ beperkingen (4 macronutriënten) en $n$ variabelen, ten hoogste $|M|$ variabelen een niet-triviale afronding vereisen.
Empirische bevinding: Voor maaltijdgroottes met 15 of meer voedselsoorten is de integriteitskloof effectief nul; de geheelgetallige oplossing komt in elke benchmarkinstantie overeen met de continue optimum. De kloof treedt alleen op bij kleine instanties (bijvoorbeeld 8 voedselsoorten) waar de vrijheidsgraden beperkt zijn.

Implementatie en Computatiewaarde
De auteurs hebben MIGP geïmplementeerd als een open-source Python-module met gebruik van de HiGHS-oplosser via scipy.optimize.milp.

Benchmark: Er werden 810 instanties gegenereerd met 30 USDA-voedingsmiddelen over 9 configuraties (variërende aantallen voedselsoorten: 8, 15, 25; en moeilijkheidsgraden: los, strak, ambitieus).
Vergelijkingsgroepen: MIGP werd vergeleken met:
1. GP + Afronding: Een continue LP oplossen en resultaten achteraf afronden.
2. Harde-beperking IP: Standaard geheelgetallige programmering met strikte $\pm 5\%$ tolerantiebanden.
Resultaten:
- Haalbaarheid: MIGP behaalde 100% haalbaarheid over alle instanties. Harde-beperking IP faalde bij 51,9% van de instanties (volledig falend bij "ambitieuze" configuraties).
- Oplossingskwaliteit: MIGP vond in 66% van de gevallen strikt betere oplossingen dan GP + Afronding en was nooit slechter. De mediaan van de doelwaarde voor MIGP (0,141) was significant lager dan die voor GP + Afronding (0,529).
- Prestaties: Oplostijden bleven onder de 100 ms voor typische maaltijdgroottes (8–15 voedselsoorten), waardoor de aanpak levensvatbaar is voor interactieve toepassingen.

Betekenis en Claims
Het artikel claimt een gedocumenteerd gat in de literatuur over dieetoptimalisatie op te vullen door het eerste geünificeerde model te bieden dat zowel praktische geheelgetallige porties als haalbaarheid garandeert.

Praktijkgerichtheid: Het elimineert het verband tussen wiskundige optimalisatie en realistische maaltijdbereiding door direct hele porties uit te voeren.
Robuustheid: Het biedt een "best-effort"-oplossing zelfs wanneer targets onbereikbaar zijn, en levert transparante afwijkingsrapporten in plaats van "geen oplossing" terug te geven.
Structureel inzicht: Het werk toont aan dat de kosten van integrality in doelprogrammering structureel kleiner zijn dan in harde-beperking MIP vanwege afwijkingsabsorptie, een eigenschap die de auteurs suggereren generaliseert naar andere samenstellingsproblemen van resources (bijvoorbeeld mengsels in de productie, portefeuilleselectie).

De auteurs houden een bescheiden scope aan, met de opmerking dat hoewel het model macronutriënten en portieaantallen effectief behandelt, het momenteel geen smaak, smaakvoorkeuren of dagplanning voor meerdere maaltijden modelleert, hoewel de wiskundige structuur deze uitbreidingen toelaat. De implementatie is vrijgegeven als een open-source module geïntegreerd in een interactieve webapplicatie.

De Magische Truc: De "Bufferzone"

Hoe het de Concurrentie Verslaat

Snelheid in de Wereld van Alledag

Samenvatting

Meer zoals dit