如何学习网站制作,泰州网站制作维护,wordpress手动清楚插件,沈阳seo收费问题重述及方法概述
问题1#xff1a;膳食食谱的营养分析评价及调整 数学方法#xff1a;线性规划模型、营养素评价模型、比较分析 可视化数据图#xff1a;营养素含量表、营养素摄入量对比图、营养素缺乏情况图
问题2#xff1a;基于附件3的日平衡膳食食谱的优化设计 数…问题重述及方法概述
问题1膳食食谱的营养分析评价及调整 数学方法线性规划模型、营养素评价模型、比较分析 可视化数据图营养素含量表、营养素摄入量对比图、营养素缺乏情况图
问题2基于附件3的日平衡膳食食谱的优化设计 数学方法线性规划模型、经济性评价模型、多目标优化模型 可视化数据图蛋白质氨基酸评分图、用餐费用对比图、营养素含量对比图
问题3基于附件3的周平衡膳食食谱的优化设计 数学方法线性规划模型、经济性评价模型、多目标优化模型 可视化数据图蛋白质氨基酸评分图、用餐费用对比图、营养素含量对比图
问题一
第一个问题是膳食食谱的营养分析评价及调整。
假设附件1和附件2中的食谱分别为1x1和2x2其中1x1i和2x2i表示每种食物的摄入量1,2,...i1,2,...nn为总食物种类数目。 假设附件4中给出的营养指标为1,2,...,d1,d2,...,dm其中m为营养指标的总数目。 则附件1和附件2的膳食营养评价可表示为 (1)[1(1112...1),2(1112...1),...,(1112...1)] (2)[1(2122...2),2(2122...2),...,(2122...2)] 其中(1)E(x1)和(2)E(x2)分别为附件1和附件2的营养指标向量。 根据附件3我们可以得到每种食物的营养成分从而得到每种食物的营养指标向量N则附件1和附件2的膳食营养评价可以改写为 (1)∑11 (2)∑12 为了使得附件1和附件2的膳食营养评价更加科学合理我们可以通过最小二乘法来调整食物的摄入量使得(1)E(x1)和(2)E(x2)分别接近于给定的营养指标向量。 假设调整后的食物摄入量向量为1y1和2y2则调整的目标函数可以表示为 ∣∣(1)−(1)∣∣22∣∣(2)−(2)∣∣22 其中∣∣⋅∣∣2表示向量的2范数。 通过求解上述优化问题就可以得到调整后的食物摄入量向量1和2从而得到调整后的膳食食谱。
首先对附件1和附件2的食谱进行全面的营养评价可以计算出每种食物的能量、蛋白质、脂肪、碳水化合物、膳食纤维、维生素和矿物质的摄入量然后与相应的参考摄入量进行对比得出每种营养素的摄入量是否达标。同时还可以计算出每种食物的热量密度以及每日总的能量摄入量从而判断是否超过或不足参考摄入量。
其次根据附件3提供的食堂食物信息统计表可以对附件1和附件2的食谱进行调整改进。例如可以增加蔬菜和水果的摄入量减少高热量、高脂肪的食物的摄入量从而更好地满足膳食营养的需求。同时也可以根据每种食物的价格选择更经济实惠的食物保证在预算范围内营养摄入的均衡。
此外还可以根据附件4中的平衡膳食基本准则对食谱进行评价例如每日吃早餐、合理搭配各类食物、多样化的食物选择等。最后可以对比附件1和附件2的食谱分析两者的差异并提出有针对性的改进建议以达到更科学合理的膳食营养摄入。 对附件1、附件2两份食谱做出全面的膳食营养评价
根据附件4中的平衡膳食基本准则和能量及各种营养素参考摄入量我们可以得到以下公式
能量摄入量千卡 基础代谢率BMR x 身高cm x 体重kg x 活动系数
其中基础代谢率BMR 66 (13.7 x 体重kg) (5 x 身高cm) - (6.8 x 年龄)
根据附件1和附件2中男女大学生的身高、体重和年龄数据可计算得出基础代谢率BMR和能量摄入量。
接下来根据附件3中提供的一日三餐主要食物信息统计表我们可以得到每种食物中各种营养素的含量。根据公式
各种营养素摄入量克/毫克 食物中营养素含量克/毫克 x 食物摄入量克/毫升
我们就可以计算出每日各种营养素的摄入量。
根据附件4中的指标要求我们可以对比计算出的营养素摄入量与参考摄入量从而评价食谱是否科学合理。如果与参考摄入量相差较大就需要做出调整改进。 # 导入所需的库
import pandas as pd
import numpy as np# 读取附件1和附件2中的数据
df_male pd.read_excel(附件1.xlsx)
df_female pd.read_excel(附件2.xlsx)# 创建函数来计算每种营养素的摄入量
def nutrient_intake(df):# 计算能量energy df[能量].sum()# 计算蛋白质protein df[蛋白质].sum()# 计算脂肪fat df[脂肪].sum()# 计算碳水化合物carbohydrate df[碳水化合物].sum()# 计算膳食纤维fiber df[膳食纤维].sum()# 计算维生素Avitamin_a df[维生素A].sum()# 计算维生素Cvitamin_c df[维生素C].sum()# 计算维生素Evitamin_e df[维生素E].sum()# 计算钙calcium df[钙].sum()# 计算铁iron df[铁].sum()# 计算镁magnesium df[镁].sum()# 计算钾potassium df[钾].sum()# 计算钠sodium df[钠].sum()# 计算锌zinc df[锌].sum()# 计算铜copper df[铜].sum()# 计算锰manganese df[锰].sum()# 计算硒selenium df[硒].sum()# 计算碘iodine df[碘].sum()# 返回每种营养素的摄入量return energy, protein, fat, carbohydrate, fiber, vitamin_a, vitamin_c, vitamin_e, calcium, iron, magnesium, potassium, sodium, zinc, copper, manganese, selenium, iodine# 计算附件1中男大学生的营养素摄入量
male_energy, male_protein, male_fat, male_carbohydrate, male_fiber, male_vitamin_a, male_vitamin_c, male_vitamin_e, male_calcium, male_iron, male_magnesium, male_potassium, male_sodium, male_zinc, male_copper, male_manganese, male_selenium, male_iodine nutrient_intake(df_male)# 计算附件2中女大学生的营养素摄入量
female_energy, female_protein, female_fat, female_carbohydrate, female_fiber, female_vitamin_a, female_vitamin_c, female_vitamin_e, female_calcium, female_iron, female_magnesium, female_potassium, female_sodium, female_zinc, female_copper, female_manganese, female_selenium, female_iodine nutrient_intake(df_female)# 打印男大学生的营养素摄入量
print(男大学生的营养素摄入量为)
print(能量{}千卡.format(male_energy))
print(蛋白质{}克.format(male_protein))
print(脂肪{}克.format(male_fat))
print(碳水化合物{}克.format(male_carbohydrate))
print(膳食纤维{}克.format(male_fiber))
print(维生素A{}毫克.format(male_vitamin_a))
print(维生素C{}毫克.format(male_vitamin_c))
print(维生素E{}毫克.format(male_vitamin_e))
print(钙{}毫克.format(male_calcium))
print(铁{}毫克.format(male_iron))
print(镁{}毫克.format(male_magnesium))
print(钾{}毫克.format(male_potassium))
print(钠{}毫克.format(male_sodium))
print(锌{}毫克.format(male_zinc))
print(铜{}毫克.format(male_copper))
print(锰{}毫克.format(male_manganese))
print(硒{}毫克.format(male_selenium))
print(碘{}毫克.format(male_iodine))# 打印女大学生的营养素摄入量
print(女大学生的营养素摄入量为)
print(能量{}千卡.format(female_energy))
print(蛋白质{}克.format(female_protein))
print(脂肪{}克.format(female_fat))
print(碳水化合物{}克.format(female_carbohydrate))
print(膳食纤维{}克.format(female_fiber))
print(维生素A{}毫克.format(female_vitamin_a))
print(维生素C{}毫克.format(female_vitamin_c))
print(维生素E{}毫克.format(female_vitamin_e))
print(钙{}毫克.format(female_calcium))
print(铁{}毫克.format(female_iron))
print(镁{}毫克.format(female_magnesium))
print(钾{}毫克.format(female_potassium))
print(钠{}毫克.format(female_sodium))
print(锌{}毫克.format(female_zinc))
print(铜{}毫克.format(female_copper))
print(锰{}毫克.format(female_manganese))
print(硒{}毫克.format(female_selenium))
print(碘{}毫克.format(female_iodine))# 读取附件3中的数据
df_dining_hall pd.read_excel(附件3.xlsx)# 创建函数来计算每种营养素的摄入量
def nutrient_intake_dining_hall(df):# 计算能量energy df[能量].sum()# 计算蛋白质protein df[蛋白质].sum()# 计算脂肪fat df[脂肪].sum()# 计算碳水化合物carbohydrate df[碳水化合物].sum()# 计算膳食纤维fiber df[膳食纤维].sum()# 计算维生素Avitamin_a df[维生素A].sum()# 计算维生素Cvitamin_c df[维生素C].sum()# 计算维生素Evitamin_e df[维生素E].sum()# 计算钙calcium df[钙].sum()# 计算铁iron df[铁].sum()# 计算镁magnesium df[镁].sum()# 计算钾potassium df[钾].sum()# 计算钠sodium df[钠].sum()# 计算锌zinc df[锌].sum()# 计算铜copper df[铜].sum()# 计算锰manganese df[锰].sum()# 计算硒selenium df[硒].sum()# 计算碘iodine df[碘].sum()# 返回每种营养素的摄入量return energy, protein, fat, carbohydrate, fiber, vitamin_a, vitamin_c, vitamin_e, calcium, iron, magnesium, potassium, sodium, zinc, copper, manganese, selenium, iodine# 计算食堂一日三餐的营养素摄入量
dining_hall_energy, dining_hall_protein, dining_hall_fat, dining_hall_carbohydrate, dining_hall_fiber, dining_hall_vitamin_a, dining_hall_vitamin_c, dining_hall_vitamin_e, dining_hall_calcium, dining_hall_iron, dining_hall_magnesium, dining_hall_potassium, dining_hall_sodium, dining_hall_zinc, dining_hall_copper, dining_hall_manganese, dining_hall_selenium, dining_hall_iodine nutrient_intake_dining_hall(df_dining_hall)# 打印食堂一日三餐的营养素摄入量
print(食堂一日三餐的营养素摄入量为)
print(能量{}千卡.format(dining_hall_energy))
print(蛋白质{}克.format(dining_hall_protein))
print(脂肪{}克.format(dining_hall_fat))
print(碳水化合物{}克.format(dining_hall_carbohydrate))
print(膳食纤维{}克.format(dining_hall_fiber))
print(维生素A{}毫克.format(dining_hall_vitamin_a))
print(维生素C{}毫克.format(dining_hall_vitamin_c))
print(维生素E{}毫克.format(dining_hall_vitamin_e))
print(钙{}毫克.format(dining_hall_calcium))
print(铁{}毫克.format(dining_hall_iron))
print(镁{}毫克.format(dining_hall_magnesium))
print(钾{}毫克.format(dining_hall_potassium))
print(钠{}毫克.format(dining_hall_sodium))
print(锌{}毫克.format(dining_hall_zinc))
print(铜{}毫克.format(dining_hall_copper))
print(锰{}毫克.format(dining_hall_manganese))
print(硒{}毫克.format(dining_hall_selenium))
print(碘{}毫克.format(dining_hall_iodine))# 创建函数来计算每种营养素的百分比
def nutrient_percentage(df, total):# 计算能量百分比energy_percentage df[能量].sum() / total[能量].sum() * 100# 计算蛋白质百分比protein_percentage df[蛋白质].sum() / total[蛋白质].sum() *
问题二
第二个问题是基于附件3的日平衡膳食食谱的优化设计。
问题2基于附件3的日平衡膳食食谱的优化设计
1以蛋白质氨基酸评分最大为目标建立优化模型分别设计男生和女生的日食谱并对日食谱进行膳食营养评价
优化目标 ∑∑
约束条件 ∑∑≥∑∑≤∑∑≥∑∑≤∑∑≤∈ 2以用餐费用最经济为目标建立优化模型分别设计男生和女生的日食谱并对日食谱进行膳食营养评价
优化目标 ∑∑
约束条件同上。
3兼顾蛋白质氨基酸评分及经济性建立优化模型分别设计男生和女生的日食谱并对日食谱进行膳食营养评价
优化目标 ∑∑−∑∑
约束条件同上其中为蛋白质氨基酸评分与用餐费用的权重系数。
4对 1—3得到的日食谱进行比较分析。
问题2基于附件3的日平衡膳食食谱的优化设计 1以蛋白质氨基酸评分最大为目标建立优化模型分别设计男生和女生的日食谱并对日食谱进行膳食营养评价
在建立蛋白质氨基酸评分最大为目标的优化模型时我们可以使用线性规划的方法来解决。首先我们需要确定优化模型的决策变量这里我们将每种食物的摄入量作为决策变量。其次我们需要建立目标函数和约束条件。
目标函数可以表示为 ∑× 其中表示每种食物的氨基酸评分表示每种食物的摄入量。
约束条件包括 每种食物的摄入量不能为负数 每种营养素的摄入量必须达到参考摄入量的最低要求 总能量摄入量必须符合参考能量摄入量的要求 总摄入量必须符合每餐的摄入量限制。
在得到优化模型的解后我们可以根据每种食物的摄入量来设计男生和女生的日食谱保证蛋白质氨基酸评分最大的同时满足膳食营养的要求。
2以用餐费用最经济为目标建立优化模型分别设计男生和女生的日食谱并对日食谱进行膳食营养评价
在建立用餐费用最经济为目标的优化模型时我们也可以使用线性规划的方法来解决。首先我们需要确定优化模型的决策变量这里我们将每种食物的摄入量作为决策变量。其次我们需要建立目标函数和约束条件。
目标函数可以表示为 ∑× 其中表示每种食物的价格Xi表示每种食物的摄入量。
约束条件包括 每种食物的摄入量不能为负数 每种营养素的摄入量必须达到参考摄入量的最低要求 总能量摄入量必须符合参考能量摄入量的要求 总摄入量必须符合每餐的摄入量限制 总用餐费用必须符合每餐的费用限制。
在得到优化模型的解后我们可以根据每种食物的摄入量来设计男生和女生的日食谱保证用餐费用最经济的同时满足膳食营养的要求。
3兼顾蛋白质氨基酸评分及经济性建立优化模型分别设计男生和女生的日食谱并对日食谱进行膳食营养评价
在同时兼顾蛋白质氨基酸评分和经济性的情况下我们可以建立一个带有权重的目标函数来解决。例如我们可以将蛋白质氨基酸评分的权重设为0.6用餐费用的权重设为0.4。这样我们可以得到一个综合考虑两个因素的优化模型。
目标函数可以表示为 ∑×∑× 其中表示每种食物的氨基酸评分表示每种食物的价格表示每种食物的摄入量。
约束条件和前两个问题类似。
在得到优化模型的解后我们可以根据每种食物的摄入量来设计男生和女生的日食谱保证蛋白质氨基酸评分最大且用餐费用最经济的同时满足膳食营养的要求。
4对 1—3得到的日食谱进行比较分析。
通过比较分析我们可以得出不同目标函数下的日食谱差异从而评估不同的优化模型的有效性和可行性。同时我们也可以根据比较结果来选择最合适的优化模型来设计日食谱从而保证膳食营养的科学合理性和经济性。
问题2基于附件3的日平衡膳食食谱的优化设计 1以蛋白质氨基酸评分最大为目标建立优化模型分别设计男生和女生的日食谱并对日食谱进行膳食营养评价 优化模型如下 ∑1 ..∑1≥ ∑1≤ ≥0,1,2,..., 2以用餐费用最经济为目标建立优化模型分别设计男生和女生的日食谱并对日食谱进行膳食营养评价 优化模型如下 ∑1 ..∑1≥ ∑1≥ ≥0,1,2,..., 3兼顾蛋白质氨基酸评分及经济性建立优化模型分别设计男生和女生的日食谱并对日食谱进行膳食营养评价 优化模型如下 ∑1 ..∑1≥ ∑1≤ ∑1≥ ≥0,1,2,..., 4对 1—3得到的日食谱进行比较分析。 #导入所需的库和模块
import pandas as pd
import numpy as np
from scipy.optimize import minimize#读取附件1和附件2中的数据并将其合并为一个DataFrame
df1 pd.read_excel(附件1.xlsx)
df2 pd.read_excel(附件2.xlsx)
df pd.concat([df1, df2], axis0)#读取附件3中的数据并将其转换为DataFrame
df3 pd.read_excel(附件3.xlsx)
df3 pd.DataFrame(df3)#计算每种食物的单位能量价值每100克的能量价值
df3[能量价值] df3[能量(kcal)] / df3[重量(克)]#计算每种食物提供的蛋白质、脂肪和碳水化合物的量克
df3[蛋白质(g)] df3[蛋白质(g/100g)] * df3[重量(克)] / 100
df3[脂肪(g)] df3[脂肪(g/100g)] * df3[重量(克)] / 100
df3[碳水化合物(g)] df3[碳水化合物(g/100g)] * df3[重量(克)] / 100#计算每种食物提供的氨基酸评分分数
df3[氨基酸评分] df3[赖氨酸(g)] * df3[赖氨酸评分] df3[色氨酸(g)] * df3[色氨酸评分] df3[亮氨酸(g)] * df3[亮氨酸评分] df3[异亮氨酸(g)] * df3[异亮氨酸评分] df3[苏氨酸(g)] * df3[苏氨酸评分] df3[缬氨酸(g)] * df3[缬氨酸评分] df3[脯氨酸(g)] * df3[脯氨酸评分] df3[蛋氨酸(g)] * df3[蛋氨酸评分] df3[赖氨酸(g)] * df3[赖氨酸评分] df3[苯丙氨酸(g)] * df3[苯丙氨酸评分] df3[色氨酸(g)] * df3[色氨酸评分] df3[苏氨酸(g)] * df3[苏氨酸评分] df3[缬氨酸(g)] * df3[缬氨酸评分] df3[脯氨酸(g)] * df3[脯氨酸评分] df3[蛋氨酸(g)] * df3[蛋氨酸评分]#定义优化函数
def optimize(x):#计算总能量价值energy np.sum(x * df[能量价值])#计算总蛋白质量protein np.sum(x * df[蛋白质(g)])#计算总氨基酸评分score np.sum(x * df[氨基酸评分])#计算总费用cost np.sum(x * df[价格(元/克)])#定义目标函数为蛋白质氨基酸评分的倒数#最终目标为最大化蛋白质氨基酸评分return -1/score#定义约束条件
#总能量限制为2400 kcal
def energy_constraint(x):return np.sum(x * df[能量(kcal)]) - 2400#总蛋白质限制为60克
def protein_constraint(x):return np.sum(x * df[蛋白质(g)]) - 60#总费用限制为10元
def cost_constraint(x):return np.sum(x * df[价格(元/克)]) - 10#定义初始值
x0 np.ones(len(df))#定义约束条件
#每种食物的摄入量应大于等于0
#每种食物的摄入量应小于等于1000
bounds ((0, 1000),) * len(df)#优化模型
res minimize(optimize, x0, methodSLSQP, boundsbounds, constraints({type: eq, fun: energy_constraint}, {type: eq, fun: protein_constraint}, {type: eq, fun: cost_constraint}))#输出结果
print(日平衡膳食食谱的优化设计结果为)
print(res.x)
print(日平衡膳食营养评价结果为)
print(总能量价值为, np.sum(res.x * df[能量价值]), 每天提供2400 kcal)
print(总蛋白质量为, np.sum(res.x * df[蛋白质(g)]), 每天提供60克)
print(总氨基酸评分为, np.sum(res.x * df[氨基酸评分]))
print(总费用为, np.sum(res.x * df[价格(元/克)]), 每天花费10元
问题三
问题 3基于附件 3 的周平衡膳食食谱的优化设计。
首先从附件3中统计的数据可以得出一周内每种食物的平均摄入量。根据附件4中的平衡膳食基本准则和能量及各种营养素参考摄入量我们可以得到一周内每种营养素的建议摄入量。我们以蛋白质氨基酸评分最大、用餐费用最经济、兼顾蛋白质氨基酸评分及经济性为目标建立优化模型设计男生和女生的周食谱周一—周日。
假设一周内每餐的食物种类固定不变我们可以将每一餐的食物种类作为决策变量。根据附件3中的数据我们可以得到每种食物的价格及每种食物中营养素的含量。我们可以通过最小化每餐的总花费来达到用餐费用最经济的目标即 其中表示第天第种食物的摄入量表示第种食物的价格表示总共有种食物。
同时我们还要满足每餐的蛋白质氨基酸评分最大的要求即 其中Sjk表示第j种食物中第k种氨基酸的评分m表示总共有m种氨基酸。
另外我们还要满足每餐的营养素含量的要求包括能量、脂肪、碳水化合物、膳食纤维、维生素和矿物质等。以能量为例我们可以得到如下的约束条件 其中表示第种食物中第种营养素的含量表示每餐的能量需求量。
综合以上条件我们可以得到如下的数学模型 其中、、、、、、分别表示每餐的蛋白质氨基酸评分最大值、能量最小值、脂肪最小值、碳水化合物最小值、膳食纤维最小值、维生素最小值和矿物质最小值。
我们可以通过求解以上模型得到男生和女生一周内每餐的食物种类及摄入量从而得到一周内的膳食营养评价。通过比较不同目标函数的结果我们可以得出最优的一周食谱并对比其他模型的结果进行分析。
针对第三个问题以蛋白质氨基酸评分最大、用餐费用最经济、兼顾蛋白质氨基酸评分及经济性为目标建立优化模型设计男生和女生的周食谱周一—周日并进行评价及比较分析。 首先根据膳食食谱的基本要求我们需要保证一周内每天的能量摄入符合参考摄入量的要求同时还要保证每天的各种营养素摄入量也满足参考摄入量的要求。因此在设计周食谱时我们需要根据每天的能量需求来确定每天各营养素的摄入量并根据附件3中的主要食物信息统计表选择合适的食物来满足每天的营养需求。 其次在优化设计时我们需要考虑到膳食的多样性和平衡性。因此在设计周食谱时我们应该尽量避免每天都食用同一种或同一类食物而是应该选择不同种类的食物来保证营养的多样性。同时我们还需要注意每天各种营养素的比例尽量保证平衡摄入不同种类的营养素。 最后在评价和比较分析时我们可以根据每天的膳食营养评价结果来判断每天的食谱是否达到了优化目标。如果发现某一天的某种营养素摄入量偏低我们可以通过调整该天的食谱来改善。同时我们还可以比较不同目标下的周食谱选择最适合的食谱来促进大学生的健康饮食习惯的养成。 总的来说设计周平衡膳食食谱时我们需要充分考虑膳食的多样性、平衡性和经济性并根据每天的能量需求和各种营养素的参考摄入量来确定每天的食谱。通过评价和比较分析我们可以选择最适合的食谱促进大学生的健康饮食习惯的养成。
以蛋白质氨基酸评分最大为目标的优化模型 以用餐费用最经济为目标的优化模型 兼顾蛋白质氨基酸评分及经济性的优化模型 其中为控制蛋白质氨基酸评分和经济性的权重系数可根据具体情况进行调整。 # 导入相关库
import pandas as pd
import numpy as np
from pulp import *# 读取附件3中的数据
df pd.read_excel(附件3.xlsx)# 创建一个优化问题
prob LpProblem(Balanced Diet Problem, LpMinimize)# 定义决策变量即每种食物的摄入量
# 每种食物的摄入量都是非负的因此lowBound为0
# 每种食物的摄入量都是连续的因此cat为LpContinuous
food_vars LpVariable.dicts(Food, df[食物], lowBound0, catLpContinuous)# 定义目标函数即总花费
prob lpSum([df[价格][i] * food_vars[df[食物][i]] for i in range(len(df))]), Total Cost# 定义约束条件即每种营养素的摄入量必须满足每天所需的最小值和最大值之间
# 能量
prob lpSum([df[能量][i] * food_vars[df[食物][i]] for i in range(len(df))]) 2100, Minimum Energy
prob lpSum([df[能量][i] * food_vars[df[食物][i]] for i in range(len(df))]) 2700, Maximum Energy
# 蛋白质
prob lpSum([df[蛋白质][i] * food_vars[df[食物][i]] for i in range(len(df))]) 35, Minimum Protein
prob lpSum([df[蛋白质][i] * food_vars[df[食物][i]] for i in range(len(df))]) 50, Maximum Protein
# 脂肪
prob lpSum([df[脂肪][i] * food_vars[df[食物][i]] for i in range(len(df))]) 20, Minimum Fat
prob lpSum([df[脂肪][i] * food_vars[df[食物][i]] for i in range(len(df))]) 35, Maximum Fat
# 碳水化合物
prob lpSum([df[碳水化合物][i] * food_vars[df[食物][i]] for i in range(len(df))]) 350, Minimum Carbohydrate
prob lpSum([df[碳水化合物][i] * food_vars[df[食物][i]] for i in range(len(df))]) 450, Maximum Carbohydrate
# 维生素A
prob lpSum([df[维生素A][i] * food_vars[df[食物][i]] for i in range(len(df))]) 500, Minimum Vitamin A
prob lpSum([df[维生素A][i] * food_vars[df[食物][i]] for i in range(len(df))]) 1500, Maximum Vitamin A
# 维生素C
prob lpSum([df[维生素C][i] * food_vars[df[食物][i]] for i in range(len(df))]) 20, Minimum Vitamin C
prob lpSum([df[维生素C][i] * food_vars[df[食物][i]] for i in range(len(df))]) 100, Maximum Vitamin C
# 钙
prob lpSum([df[钙][i] * food_vars[df[食物][i]] for i in range(len(df))]) 800, Minimum Calcium
prob lpSum([df[钙][i] * food_vars[df[食物][i]] for i in range(len(df))]) 1200, Maximum Calcium
# 铁
prob lpSum([df[铁][i] * food_vars[df[食物][i]] for i in range(len(df))]) 10, Minimum Iron
prob lpSum([df[铁][i] * food_vars[df[食物][i]] for i in range(len(df))]) 20, Maximum Iron# 定义受限的食物即不能每天都吃同一种食物
prob food_vars[牛奶] food_vars[豆浆] food_vars[鸡蛋] food_vars[牛肉] food_vars[鸡肉] food_vars[鱼肉] 3, Limited Food# 求解问题
prob.solve()# 打印结果
print(Status:, LpStatus[prob.status])
for v in prob.variables():print(v.name, , v.varValue) 问题四
第四个问题是针对大学生饮食结构及习惯写一份健康饮食、平衡膳食的倡议书。
健康饮食是保证大学生身体健康的重要因素而平衡膳食则是健康饮食的基础。
