MIGP Optimizes Personalized Nutrition with Integer Serving Constraints

•MIGP建立在飲食學中數學規劃的悠久歷史之上，該歷史始於1930年代至1940年代的線性規劃，最初側重於成本最小化，後來納入整數變數以表示完整的食物項目。
•傳統的線性規劃在飲食優化中常因硬性約束而產生不切實際或不可行的解，而MIGP透過目標規劃的偏差吸收特性，能更彈性地處理營養目標，顯著提高解決方案的可行性。
•MIGP利用開源的HiGHS求解器，這是一個高效能的C++11函式庫，支援線性規劃、混合整數規劃和二次規劃模型，使其不僅在性能上表現優異，也具備高度的可存取性和可擴展性。
•近期研究顯示，將混合整數線性規劃 (MILP) 與大型語言模型 (LLM) 結合的混合模型，在個人化營養規劃中展現出結合定量精確性與定性個性化的潛力，這為MIGP未來的發展方向提供了參考。

📊 競品分析▸ Show

特徵/面向	MIGP	標準線性規劃 (LP)/混合整數線性規劃 (MILP)	MILP + LLM 混合模型
核心方法	混合整數目標規劃 (MIGP)	線性規劃 (LP) / 混合整數線性規劃 (MILP)	混合整數線性規劃 (MILP) 結合大型語言模型 (LLM)
份量處理	整數份量，消除不切實際的分數份量 [原文]	LP 允許分數份量；MILP 允許整數份量	MILP 處理整數份量
約束處理	目標規劃，有效平衡營養目標，緩衝約束成本 [原文]	硬性約束，難以達成或導致不可行解 [原文, cite: 9]	MILP 處理硬性約束，LLM 增加彈性
可行性	測試案例中可行性達 100% [原文]	可能因硬性約束而產生不可行解 [原文, cite: 9]	MILP 確保營養準確性，LLM 提升實用性
個性化程度	優化個人化營養規劃 [原文]	缺乏個性化，主要基於營養要求和成本	高度個性化，LLM 處理用戶偏好和實際限制
求解時間	低於 100 毫秒 (使用 HiGHS 求解器) [原文]	取決於模型複雜度和求解器，通常快速	MILP 部分快速，LLM 處理可能增加總時間
主要優勢	結合現實份量與彈性目標，高可行性，快速求解	成本最小化，營養準確性高 (MILP)	結合定量精確性與定性個性化，高實用性

MIGP的核心在於其目標函數的設計，它不僅包含傳統的成本或營養目標，更引入了偏差變數（deviation variables）來量化與預設營養目標（如卡路里、宏量營養素、微量營養素的上下限）之間的差距。
這些偏差變數通常分為正偏差（over-achievement）和負偏差（under-achievement），並在目標函數中賦予權重以最小化其總和，從而允許在無法完全滿足所有目標時，找到一個「最佳妥協」的解決方案。
整數變數的應用確保了食物份量以實際的整數單位（例如，一份蘋果、兩片麵包）進行計算，而非不切實際的小數份量，這透過在模型中將決策變數定義為整數類型來實現。
HiGHS求解器採用了分支定界法（branch-and-cut）等先進演算法來有效處理混合整數規劃問題，這對於包含整數變數的MIGP模型至關重要，確保了求解效率和準確性。

MIGP將促進更廣泛的個人化營養規劃應用。

其解決了傳統模型中不切實際的份量和硬性約束問題，提高了可行性和實用性，使其更容易被採納。

MIGP方法可能成為未來結合AI與優化技術的基礎。

其高效的求解能力和處理現實世界約束的彈性，使其成為整合大型語言模型或穿戴式裝置數據以提供更全面營養建議的理想候選。

該方法有望提升臨床營養干預的效率和患者依從性。

透過提供更實際且易於遵循的飲食計劃，MIGP可以幫助營養師為患有特定疾病的患者制定更有效的治療性飲食。

1930s-1940s

「飲食問題」(The Diet Problem) 被提出，並出現早期的啟發式解決方案。

1947

單純形法 (Simplex method) 被用於解決Stigler的飲食問題，標誌著線性規劃應用的一個里程碑。

1950s-1960s

線性規劃首次應用於飲食研究並發表相關論文。

1971

《數學規劃》(Mathematical Programming) 期刊創立，標誌著數學規劃領域的成熟。

2007

混合整數線性規劃 (MILP) 被應用於人類飲食規劃，以確保食物份量為整數單位。

2022

目標規劃 (Goal Programming) 被用於飲食優化，以平衡成本與營養充足性。

2026-02

混合整數線性規劃 (MILP) 與大型語言模型 (LLM) 結合的混合模型在精準營養推薦領域發表。

MIGP 利用整數份量限制優化個人化營養規劃