1.7 个鸡蛋和 0.37 根香蕉：饮食优化 APP 给你的数字你根本做不出来

你的饮食 APP 告诉你：今天吃 1.7 个鸡蛋和 0.37 根香蕉。

你会怎么做？切 0.37 根香蕉？打 0.7 个鸡蛋？你可能会直接骂一句"什么鬼"然后把它扔了。

这篇论文从一个所有人都遇到过但没人当回事的问题开始：优化算法给出的"最优饮食方案"根本没法执行。

1. 一个古老问题的两个毛病

营养优化不是什么新鲜事——你在健身房、医院、军队食堂都能找到它的影子。给一个人安排每天的饮食，让所有营养指标达标，这本质上就是一个优化问题：在大量食物中选出组合，让蛋白质、碳水、脂肪、维生素等指标都落在合理范围内。

但经典数学方法有两个先天毛病：

第一个毛病：分数份量。 优化变量是连续的（可以取任意实数），所以算法觉得最"精准"的方案是 1.7 个鸡蛋加 0.37 根香蕉。数学上完美，现实里扯淡。常见的"修补方案"是算出结果后四舍五入——但四舍五入 0.37 根香蕉到 0 根，蛋白质就缺了一块。四舍五入 1.7 个鸡蛋到 2 个，胆固醇又超了。

第二个毛病：硬约束导致无解。 你设了"蛋白质 ≥ 60g"、"脂肪 ≤ 60g"、"碳水 ≤ 250g"、"维生素 C ≥ 100mg"——如果有一种食物同时满足这四个条件，那好办。但现实里，满足蛋白指标的食物往往脂肪也高。当这些硬约束相互冲突时，优化器直接报错：无可行解。

你的第一反应可能是"我的需求不可能同时满足"——但更可能是约束设得太死了，稍微松一点就能找到方案。

2. MIGP 的做法：把"必须"变成"尽量"

这篇论文的作者 Francisco Aguilera Moreno 做了一件事：把硬约束变成软目标，同时保留整数份量。

技术上叫 Mixed Integer Goal Programming（混合整数目标规划，以下简称 MIGP），拆开来看是两个东西的组合：

整数规划（Integer Programming）： 变量必须是整数。鸡蛋数只能是 0、1、2……不能是 1.7。香蕉数只能是整数根。一汤匙油就是 1 单位，不用 0.37 汤匙。

目标规划（Goal Programming）： 约束不是"必须达到"，而是"尽量靠近，偏离越少越好"。蛋白质目标 60g，你到 58g 也行——不过会有一个"偏离惩罚"加到目标函数里。

MIGP 的巧妙之处在于它发现了一个性质，叫偏离吸收（deviation absorption）：目标规划里本来就有的偏离变量，可以同时承担"整数化"带来的代价。换句话说，要求"整数份量"后产生的营养偏差，被目标规划的软约束机制自然吸收了，不需要额外的惩罚或修正。这就是为什么 MIGP 比"先算连续解再四舍五入"的方法更优——它不是在连续最优解上做修补，而是在整数变量空间里直接搜索，同时让目标规划吸收整数化的代价。

作者说，当膳食包含 15 种以上食物时，整数解在所有基准实例上都和连续最优解一模一样。等一下——连续最优解都不需要四舍五入了？这意味着当你吃的种类够多、变量够丰富时，天然存在一个整数组合恰好达到连续最优的营养配比。这个观察本身可能就有实用价值——多样性不仅对健康好，对优化也有好处。

3. 数据表现

实验规模不小：810 个实例，30 种 USDA 标准食物，9 种配置，3 种方法对比。

结果：

• MIGP：100% 可行性，66% 的案例优于 GP+四舍五入（从不更差）
• 硬约束 IP：只有 48% 的案例可行——半数以上的情况你根本得不到一个方案

4. 诚实地说几句

好，现在来说我不知道的。

第一，营养学的准确性我判断不了。 这篇论文的数学部分是好的——整数规划+目标规划的组合在运筹学里很成熟，作者做了扎实的理论分析（积分间隙、偏离吸收性质）。但"30 种 USDA 食物"和一个真正的营养师的方案有多大差距？我不知道。营养学不只是数学——同样的卡路里和蛋白质，炸鸡和鸡胸肉对身体的影响完全不同。膳食纤维的类型、脂肪酸的比例、微量元素的交互——这些数学优化能覆盖多少？我不确定。

第二，15 种以上食物这个条件。 论文发现当食物种类超过 15 种时，整数解完全匹配连续最优解。但 15 种食物对一顿饭来说很多——对一天来说合理。如果你真的每顿饭都要吃 15 种食物，这个条件会不会鼓励"为了优化而多吃"？我不知道。

第三，个人偏好的建模。 论文说了"用户自定义份量粒度"——你可以指定鸡蛋按"个"、油按"汤匙"。但口味和偏好的建模远比这复杂。你不喜欢吃西兰花、你不能吃麸质、你讨厌肉桂的味道……这些能建模吗？理论上可以（加约束就行），但实际做起来偏好建模本身就是一门学问。论文没有深入讨论这个。

5. 我的判断

我认为这篇论文的价值在"把理论带到了实践门口"。

营养优化的问题从 1940 年代就有人研究。56 篇论文的系统综述发现——你猜怎么着？——没有一篇同时解决了分数份量和硬约束冲突的问题。 56 篇，零。这不是一个困难到没人能解决的问题，而是一个"大家都觉得太简单不值得写论文"的问题，结果就真没人写过。

这就是典型的你以为有解决方案，其实没有的情况。

这个论文让我想起以前听说的一件轶事：二战时军队用优化算法给士兵配给口粮，结果最优方案包括大量肝脏——因为肝脏富含几乎所有营养素。理论上是完美的，但没有士兵愿意天天吃肝脏。

数学让你找到最优解，但现实让你找到可行的解。它们之间的缝隙里，藏着这篇论文想填的东西。

至于 MIGP 会不会被用到真正的饮食 APP 里——我不知道。但我希望会。因为下次你的手机告诉你"吃 1.7 个鸡蛋"的时候，你可以说："不，我要吃 2 个，让算法再算一次。"

参考文献

1. Aguilera Moreno, F. (2026). Mixed Integer Goal Programming for Personalized Meal Optimization. arXiv:2605.13849. 2. Charnes, A., et al. (1955). Optimal Estimation of Executive Compensation by Linear Programming. Management Science. 3. Romero, C. (1991). Handbook of Critical Issues in Goal Programming. Pergamon Press. 4. USDA FoodData Central. https://fdc.nal.usda.gov/

#MIGP #MealOptimization #IntegerProgramming #GoalProgramming #FeynmanLearning #智柴系统实验室🎙️