You need to enable JavaScript to run this app. 带非线性约束的食物能量最大化混合整数优化Python求解求助
优惠活动
大模型
产品
解决方案
定价
更多

带非线性约束的食物能量最大化混合整数优化Python求解求助

问题求解方案

核心误区修正

你原来的平均卡路里约束无需使用非线性建模,可直接转化为线性约束,适配PuLP等常规整数线性规划求解器:
平均卡路里约束的原始表达式为:
总卡路里 / 选中食物总份数 ≤ N
其中选中食物总份数就是所有0-1变量X(m,i)的和(每个X取1代表选中对应食物,求和结果就是选中的食物总数,恒为非负值),不等式两边乘以分母后不等号方向不变,整理可得纯线性约束:
Σ( (c(m,i) - N) * X(m,i) ) ≤ 0
转化后整个问题退化为普通0-1整数线性规划,不存在非线性约束,可直接用PuLP求解。

Python实现代码

首先安装依赖:

pip install pulp

对应你的示例数据的实现代码:

import pulp

# 配置参数:可自行修改平均卡路里上限N
N = 250

# 示例数据:格式为 (宏量营养素分类, 食物名称, 卡路里, 能量)
food_data = [
    ("蛋白质", "鱼", 100, 60),
    ("蛋白质", "羊肉", 200, 40),
    ("蛋白质", "鸡蛋", 200, 38),
    ("碳水化合物", "香蕉", 200, 25),
    ("碳水化合物", "土豆", 200, 30),
    ("碳水化合物", "大米", 200, 40),
    ("脂肪", "牛油果", 450, 50),
    ("脂肪", "奶酪", 400, 60),
    ("脂肪", "奶油", 500, 55),
]

# 初始化问题:最大化总能量
prob = pulp.LpProblem("MaxEnergyProblem", pulp.LpMaximize)

# 定义0-1变量
x = pulp.LpVariable.dicts("x", food_data, lowBound=0, upBound=1, cat="Binary")

# 目标函数:最大化总能量
prob += pulp.lpSum([food[3] * x[food] for food in food_data])

# 约束1:每类宏量营养素最多选1种
macro_groups = {}
for food in food_data:
    macro = food[0]
    if macro not in macro_groups:
        macro_groups[macro] = []
    macro_groups[macro].append(food)
for macro, foods in macro_groups.items():
    prob += pulp.lpSum([x[food] for food in foods]) <= 1, f"MacroSelect_{macro}"

# 约束2:平均卡路里不超过N(已线性化)
prob += pulp.lpSum([(food[2] - N) * x[food] for food in food_data]) <= 0, "AvgCalorieLimit"

# 求解
prob.solve(pulp.PULP_CBC_CMD(msg=False))

# 输出结果
print("求解状态:", pulp.LpStatus[prob.status])
selected = [food for food in food_data if pulp.value(x[food]) == 1]
print("选中的食物:")
for food in selected:
    print(f"- {food[0]}: {food[1]},卡路里{food[2]},能量{food[3]}")
total_cal = sum(f[2] for f in selected)
total_energy = sum(f[3] for f in selected)
print(f"总卡路里: {total_cal},平均卡路里: {total_cal/len(selected):.2f},总能量: {total_energy}")

输出示例(N=250时)

求解状态: Optimal
选中的食物:
- 蛋白质: 鱼,卡路里100,能量60
- 碳水化合物: 大米,卡路里200,能量40
- 脂肪: 奶酪,卡路里400,能量60
总卡路里: 700,平均卡路里: 233.33,总能量: 160

内容的提问来源于stack exchange,提问作者DPN

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.13 22:30:01