近日，一篇题为《基于混合整数目标规划的用户自定义份量粒度的个性化膳食优化》的论文在arXiv上预印发布。该研究由Francisco Aguilera Moreno完成，旨在解决个性化膳食优化中长期存在的两个核心问题：一是连续变量导致不切实际的分数份量（例如1.7个鸡蛋、0.37根香蕉），二是硬性营养约束在目标冲突时导致无可行解。
研究团队首先对56篇膳食优化相关论文进行了系统性回顾，发现没有任何一项工作同时采用整数规划和目标规划来应对这两个挑战。基于这一空白，作者提出了混合整数目标规划（Mixed Integer Goal Programming, MIGP）方法。MIGP的创新之处在于：使用整数变量表示每种食物的份数，从而自然地得到可操作的整数解（如1个鸡蛋、1汤匙油），无需事后舍入；同时引入目标规划中的偏差变量，将营养约束软化为目标，并通过逆目标归一化技术平衡多种营养成分的优化目标。
论文进一步分析了整数性间隙在目标规划背景下的表现，发现了一个关键性质——偏差吸收特性：目标规划中的偏差变量能够吸收整数约束带来的成本，使得整数性间隙在结构上小于传统的硬约束混合整数规划。实验表明，当餐食包含15种以上食物时，MIGP的整数解在所有基准实例中均与连续最优解完全一致。
在计算评估中，研究使用了810个测试实例（涵盖30种USDA食品、9种配置和3种方法），MIGP在66%的情况下找到严格优于事后舍入目标规划方法的解，并且从未更差，同时保持100%的可行性。相比之下，硬约束整数规划的可行性仅为48%。求解效率方面，使用开源HiGHS求解器，典型餐食的求解时间低于100毫秒，完全满足实际应用需求。
目前，该研究的实现已作为开源Python模块发布，并集成到一个交互式膳食规划应用中，用户可以根据自己的偏好（如食物种类、份量粒度、营养目标）进行个性化优化。这项工作不仅为膳食优化领域提供了新的数学工具，也为个性化营养推荐系统的实用化奠定了基础。