2025年电工杯数学建模竞赛B题高质量建模过程（点赞收藏下，后续会更新）

小笼包数模

已于 2025-05-20 00:00:30 修改

阅读量629

点赞数 21

文章标签：人工智能算法

于 2025-05-19 23:58:08 首次发布

本文链接：https://blog.csdn.net/qq_50593822/article/details/148077216

版权

现分享2024年电工杯数学建模竞赛B题，供大家学习

第一个问题是膳食食谱的营养分析评价及调整。

设男生和女生的一日食谱分别为 X m 和 X f ，其中 X m =( x m 1 , x m 2 ,..., x m n ) ， X f =( x f 1 , x f 2 ,..., x f n ) ， n 为食物种类数目。

1）对两份食谱做出全面的膳食营养评价：

假设每一种食物中含有的各种营养素的含量已知，分别为 N m 1 , N m 2 ,..., N m n 和 N f 1 , N f 2 ,..., N f n ，其中 N m i 和

N f i 表示男生和女生食谱中第 i 种食物中含有的营养素总量。则男生和女生食谱的总营养素含量分别为：

$$N_m=\sum_{i=1}^n N_{mi}x_{mi}$$

$$N_f=\sum_{i=1}^n N_{fi}x_{fi}$$

根据平衡膳食基本准则，男生和女生每日能量的实际摄入量应与目标相差在±10%之内，即：

0.9 N 0 ≤ N m ≤1.1 N 0

0.9 N 0 ≤ N f ≤1.1 N 0

其中 N 0 为每日能量目标。

同时，根据营养素参考摄入量的要求，男生和女生每日各种营养素的摄入量应满足以下条件：

R m 1 ≤ N m ≤ R m 2

R f 1 ≤ N f ≤ R f 2

其中 R m i 和 R f i 分别为男生和女生各种营养素的参考摄入量。

综上所述，对两份食谱进行全面的膳食营养评价，需要求解以下优化问题：

max X m N m

max X f N f

满足以下约束条件：

0.9 N 0 ≤ N m ≤1.1 N 0

0.9 N 0 ≤ N f ≤1.1 N 0

R m 1 ≤ N m ≤ R m 2

R f 1 ≤ N f ≤ R f 2

x m i , x f i ≥0,( i =1,2,..., n )

2）对两份食谱进行较少的调整改进，并且再做出全面的膳食营养评价：

在第一个问题的基础上，假设现在要对男生和女生的食谱进行少量调整改进，即分别增加或减少某些食物的摄入量，记为 X

′ m 和 X ′ f ，其中 X ′ m =( x ′ m 1 , x ′ m 2 ,..., x ′ m n ) ， X ′ f =( x ′ f 1 , x ′ f 2 ,..., x ′ f n ) 。

则对食谱进行少量调整改进的优化问题为：

满足以下约束条件：

max X ′ m N ′ m

max X ′ f N ′ f

0.9 N 0 ≤ N ′ m ≤1.1 N 0

0.9 N 0 ≤ N ′ f ≤1.1 N 0

R m 1 ≤ N ′ m ≤ R m 2

R f 1 ≤ N ′ f ≤ R f 2

x ′ m i , x ′ f i ≥0,( i =1,2,..., n )

再对调整后的食谱进行全面的膳食营养评价即可。

对于两份食谱，我们可以分别计算出其能量及各种营养素的实际摄入量，与参考摄入量进行比较，以此评价其营养结构的合理性。同时，可以根据每餐的能量分配比例，评价餐次比是否符合要求。若发现营养素摄入不足或超标，可以对食谱进行适当调整，例如增加或减少某些食物的摄入量，或者选择其他食物替代。调整后再次对食谱进行营养评价，直到符合营养需求标准为止。

此外，除了营养结构的评价，还需要注意食谱中是否存在不良的饮食习惯，例如早餐不吃或吃得不够充分、经常食用外卖等。针对这些问题，可以提出相应的建议，例如增加早餐的摄入量，减少外卖的消费频率等。

总的来说，膳食食谱的营养分析评价需要综合考虑能量及各种营养素的摄入量、餐次比、饮食习惯等因素，通过适当调整来达到营养平衡的目标。同时，也需要提供个性化的建议，帮助个人形成健康的饮食习惯。

1）对两份食谱做出全面的膳食营养评价：

首先，根据男生和女生的食谱记录，计算出每种食物的营养成分（如能量、蛋白质、脂肪、碳水化合物等）和每餐的总能量摄入量。然后，根据每日能量摄入量和每餐的能量摄入量目标，计算出实际摄入量与目标摄入量的差值，判断是否符合“男、女生每日能量实际摄入量与摄入量目标相差在±10%之内”的基本要求。

接下来，根据男生和女生的食谱，计算出蛋白质、脂肪、碳水化合物等营养素的摄入量占总能量的百分比，判断是否符合 “产能营养素占总能量百分比尽量满足蛋白质10%-15%、脂肪20%-30%、碳水化合物50%-65%”的基本要求。

然后，根据男生和女生的食谱，计算出钙、铁、锌、维生素A、维生素B1、维生素B2、维生素C的实际摄入量，与参考摄入量进行比较，判断是否符合“非产能主要营养素钙、铁、锌、维生素A、维生素B1、维生素B2、维生素C的实际摄入量尽可能接近参考摄入量”的基本要求。

最后，根据每餐的能量摄入量，计算出早餐、午餐、晚餐的比例，判断是否符合“餐次比尽可能满足早餐25%-35%，中餐、晚餐各30%-40%”的基本要求。

2）对两份食谱进行较少的调整改进，并且再做出全面的膳食营养评价：

首先，根据前面的评价结果，确定哪些营养素摄入不足或超过目标。然后，根据食物的营养成分，进行调整改进，使得每餐的营养素摄入量符合目标要求。

例如，如果发现男生的蛋白质摄入量偏低，可以增加一些高蛋白的食物，如鸡蛋、牛奶等；如果女生的脂肪摄入量偏高，可以减少一些含脂肪较多的食物，如肉类、油炸食品等。

调整后，再次进行全面的膳食营养评价，判断是否符合各项指标要求。

3）数学公式：

（1）男生和女生每餐的能量摄入量目标：

男生：早餐：270 375千卡；午餐：270 375千卡；晚餐：300~400千卡。女生：早餐：200 280千卡；午餐：200 280千卡；晚餐：225~300千卡。

（2）蛋白质、脂肪、碳水化合物等营养素摄入量占总能量的百分比目标：蛋白质：男生：10%-15%；女生：10%-15%。

脂肪：男生：20%-30%；女生：20%-30%。

碳水化合物：男生：50%-65%；女生：50%-65%。

（3）非产能主要营养素参考摄入量：

钙：男生：1000毫克；女生：800毫克。铁：男生：8毫克；女生：18毫克。

锌：男生：11毫克；女生：8毫克。

维生素A：男生：900微克；女生：700微克。维生素B1：男生：1.2毫克；女生：1.1毫克。维生素B2：男生：1.3毫克；女生：1.1毫克。维生素C：男生：100毫克；女生：100毫克。

import pandas as pd import numpy as np

def nutrient_calculation(meal):

# 计算每餐的总能量和主要营养素总量

energy = meal['可食部（克/份）'].mul(meal['食用份数']).sum()

protein = meal['主要成分'].loc[meal['主要成分'].isin(['鸡蛋', '鸡肉', '猪肉', '豆腐', '火腿肠', '鸡排面'])].mul(meal['可食部（克/份）']).mul(m

fat = meal['主要成分'].loc[meal['主要成分'].isin(['豆油', '芝麻油', '葡萄', '油菜', '沙丁鱼'])].mul(meal['可食部（克/份）']).mul(meal['食用份

carbohydrate = meal['主要成分'].loc[meal['主要成分'].isin(['小米', '油条', '米饭', '面', '土豆', '酸菜', '苹果'])].mul(meal['可食部（克/份）']).

calcium = meal['主要成分'].loc[meal['主要成分'].isin(['小米', '豆浆', '鸡蛋饼', '米饭', '油菜', '茄子', '沙丁鱼'])].mul(meal['可食部（克/份）']).

iron = meal['主要成分'].loc[meal['主要成分'].isin(['小米', '鸡排面', '木耳', '茄子', '苹果'])].mul(meal['可食部（克/份）']).mul(meal['食用份数

zinc = meal['主要成分'].loc[meal['主要成分'].isin(['小米', '茄子', '土豆', '沙丁鱼'])].mul(meal['可食部（克/份）']).mul(meal['食用份数']).sum

vitamin_a = meal['主要成分'].loc[meal['主要成分'].isin(['小米', '火腿肠', '油菜', '沙丁鱼'])].mul(meal['可食部（克/份）']).mul(meal['食用份

vitamin_b1 = meal['主要成分'].loc[meal['主要成分'].isin(['小米', '鸡肉', '火腿肠', '红烧肉', '葡萄'])].mul(meal['可食部（克/份）']).mul(meal

vitamin_b2 = meal['主要成分'].loc[meal['主要成分'].isin(['小米', '鸡蛋', '茄子', '沙丁鱼'])].mul(meal['可食部（克/份）']).mul(meal['食用份

vitamin_c = meal['主要成分'].loc[meal['主要成分'].isin(['小米', '火腿肠', '苹果'])].mul(meal['可食部（克/份）']).mul(meal['食用份数']).sum

# 计算每餐的各项营养素百分比protein_percentage = protein / energy fat_percentage = fat / energy

carbohydrate_percentage = carbohydrate / energy calcium_percentage = calcium / energy iron_percentage = iron / energy

zinc_percentage = zinc / energy vitamin_a_percentage = vitamin_a / energy vitamin_b1_percentage = vitamin_b1 / energy vitamin_b2_percentage = vitamin_b2 / energy vitamin_c_percentage = vitamin_c / energy

# 构建字典，用于存储每餐的营养素总量和百分比

nutrient_dict = {'能量': energy, '蛋白质': protein, '脂肪': fat, '碳水化合物': carbohydrate, '钙': calcium, '铁': iron, '锌': zinc, '维生素A': vitamin_a,

'维生素B1': vitamin_b1, '维生素B2': vitamin_b2, '维生素C': vitamin_c, '蛋白质百分比': protein_percentage, '脂肪百分比': fat_percentage, '碳水化合物百分比': carbohydrate_percentage, '钙百分比': calcium_percentage, '铁百分比': iron_percentage, '锌百分比': zinc_percentage,

'维生素A百分比': vitamin_a_percentage, '维生素B1百分比': vitamin_b1_percentage, '维生素B2百分比': vitamin_b2_percentage, '维生素C百分比': vitamin_c_percentage}

# 将字典转换为DataFrame，并进行转置

nutrient_df = pd.DataFrame(nutrient_dict, index=[0]).T

# 修改列名

nutrient_df.columns = ['营养素总量', '营养素百分比']

return nutrient_df

# 读取男生和女生的食谱数据

male_meals = pd.read_excel('male_meals.xlsx', sheet_name=None) female_meals = pd.read_excel('female_meals.xlsx', sheet_name=None)

# 创建空的DataFrame，用于存储男生和女生各餐的营养素总量和百分比

male_nutrients = pd.DataFrame() female_nutrients = pd.DataFrame()

# 循环遍历男生和女生的食谱，计算每餐的营养素总量和百分比，并存储到相应的DataFrame

for meal in male_meals.values():

male_nutrients = pd.concat([male_nutrients, nutrient_calculation(meal)], axis=1) for meal in female_meals.values():

female_nutrients = pd.concat([female_nutrients, nutrient_calculation(meal)], axis=1)

# 将DataFrame转置，并修改列名

male_nutrients = male_nutrients.T

male_nutrients.columns = ['能量', '蛋白质', '脂肪', '碳水化合物', '钙', '铁', '锌', '维生素A', '维生素B1', '维生素B2', '维生素C', '蛋白质百分比', '脂肪百分比', '碳水化合物百分比', '钙百分比', '铁百分比', '锌百分比', '维生素A百分比', '维生素B1百分比', '维生素B2百分比', '维生素C百分比']

female_nutrients = female_nutrients.T

female_nutrients.columns = ['能量', '蛋白质', '脂肪', '碳水化合物', '钙', '铁', '锌', '维生素A', '维生素B1', '维生素B2', '维生素C', '蛋白质百分比', '脂肪百分比', '碳水化合物百分比', '钙百分比', '铁百分比', '锌百分比', '维生素A百分比', '维生素B1百分比', '维生素B2百分比', '维生素