혼합 정수 목표 프로그래밍(MIGP)은 식단 최적화에서 연속 변수의 비현실적인 분수 서빙 문제와 하드 제약의 실현 불가능성 문제를 동시에 해결한다. 정수 변수로 실용적인 서빙 수를 보장하고, 목표 프로그래밍 편차 변수가 정수 서빙 비용을 완충하여 정수갭을 구조적으로 줄인다. 810개 인스턴스 평가에서 MIGP가 반올림 처리된 GP보다 66%의 경우에서 더 나은 솔루션을 찾고 100% 실현 가능성을 유지했다.
- •정수 변수로 실용적인 서빙 수를 보장하고 목표 프로그래밍으로 영양 목표를 소프트 제약으로 처리
- •편차 흡수 특성으로 정수갈이 하드 제약 MIP보다 구조적으로 작음
- •810개 인스턴스에서 GP+반올림보다 66%의 경우에서 우수하며 100% 실현 가능성 유지
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Mixed Integer Goal Programming for Personalized Meal Optimization with User-Defined Serving Granularity
- 1.MIGP는 정수 변수로 실용적 1인분 단위를 보장하고 목표 프로그래밍으로 영양 목표를 연성 제약으로 처리
- 2.USDA 식품 30종, 810개 인스턴스에서 기준 GP 대비 66% 케이스에서 더 나은 해 도출(절대 열위 없음)
- 3.HiGHS 오픈소스 솔버로 일반 식사 규모에서 100ms 이내 계산 완료, Python 모듈 오픈소스 제공
왜 중요한가?
오래된 식단 최적화 문제에서 분수 단위 비실용성과 경직된 영양 제약 문제를 동시에 해결해 AI 기반 개인화 식단 서비스의 현실적 구현 가능성을 높인다.
언급 프로젝트
본문 미리보기
arXiv:2605.13849v1 Announce Type: new Abstract: Determining what to eat to satisfy nutritional requirements is one of the oldest optimization problems in operations research, yet existing formulations have two persistent limitations: continuous variables produce impractical fractional servings (1.7 eggs, 0.37 bananas), and hard nutrient constraints cause infeasibility when targets conflict. A systematic review of 56 diet optimization papers found that none combine integer programming with goal
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:10AI 초안
