[数理最適化]-栄養バランスが最適化された1日の献立を作成する -

栄養バランスが最適化された1日の献立を作成するためのツールです。

このPythonプログラムは、栄養バランスが最適化された1日の献立を作成するツールです。最適化は「pulp」という線形プログラミングのためのライブラリを使用しています。

(1)はじめに

機械学習と数理最適化 Advent Calendar 2023 チャレンジ の文書です。

機械学習と数理最適化のカレンダー | Advent Calendar 2023 - Qiita

の下図のとおり、数理最適化の分です。

1日の献立バランスを最適化するという題で、
pythonのpulpというライブラリを使って、栄養バランスが最適化された1日の献立を作成するツールを作成してみました。

(2)想定している活用シーン

①食事管理アプリやウェブサイトに組み込む
このプログラムも利用して、栄養バランスが最適化された個々のユーザー向けの1日の献立を生成し、食事管理アプリやウェブサイト上で表示することができます。

②食事プランニングツールとして利用する
このプログラムを利用して、栄養バランスの考慮された食事プランニングツールを作成することができます。ユーザーは目標となる栄養素の範囲を設定し、プログラムが最適な献立を生成します。

(3)想定している運用

①健康管理アプリ
ユーザーは自身の身体的な状態や目標を入力し、このプログラムを利用して栄養バランスが最適化された1日の献立を生成することができます。ユーザーにとって最適な食事プランを提供し、健康管理をサポートします。

②レシピサイト
料理のレシピと栄養情報を持つレシピサイトでは、ユーザーが特定の栄養素やカロリーの範囲内で食事を計画するために、このプログラムを活用することができます。ユーザーが栄養バランスが最適なレシピを検索し、献立を組むことができます。
このプログラムは、栄養バランスが最適化された1日の献立を作成するための強力なツールとなることが期待されます。ユーザーは自身の目標や好みを考慮しながら、健康的でバランスの取れた食事プランを作成できます。

(4)コードの概要

ライブラリのインポート：numpy, pandas, pulpをインポートします。
データ設定：指定のCSVファイルを読み込みます。
目的関数の設定：最大化の目的関数を定義し、変数や制約条件を設定します。
制約条件の設定：カロリー、タンパク質、脂質、炭水化物の範囲内での制約条件を定義します。
最適化の実施：定義した制約条件の下で最適化を実行します。
結果出力：合計のカロリー、タンパク質、脂質、炭水化物の摂取量、および選択された料理とその個数を出力します。

(4)コード詳細説明

最適化は「pulp」という線形プログラミングのためのライブラリを使用しています。プログラムは以下のステップに分かれています。

• 環境設定 ([0]): 必要なライブラリのインストール（NumPy、Pandas、pulp）が行われます。

• データ設定 ([1]): 外部から提供された栄養データが含まれたCSVファイル（menu2.csv）が読み込まれ、Pandas DataFrameに変換されます。

• 目的関数 ([2]): 選択された料理のカロリー合計を最大化することが目的です。

• 制約条件 ([3]): カロリー、タンパク質、脂質、炭水化物の摂取範囲が制約条件として設定されます。

• 最適化実施 ([4]): pulpを使用して目的関数を最大化し、制約条件の下で最適な料理の選択を行います。

• 結果出力 ([5]): 最適化された献立の結果が表示されます。

Google Colaboratory（通称Colab）は、Googleが提供するクラウドベースのJupyterノートブック環境で動作するようにしてあります。
自社環境に合う形で使ってください。

内容表示まで

# **********************
# [0] 環境設定 *********
# **********************
!pip install numpy
!pip install pandas
!pip install pulp

import numpy as np, pandas as pd
from pulp import *

# **********************
# [1] データ設定 *******
# **********************
#注：個人のGITHUB環境です
df = pd.read_csv('https://miraimeisatu.github.io/covid19_2021/menu2.csv')

#　データ内容確認
print(df)

#実際の処理はここから

# **********************
# [2] 目的関数 *********
# **********************
# 同じ料理を最低0個・最高2個選択する
df["個数"] = LpVariable.dicts("個数",df["料理名"], 0,2, cat='Integer').values()

# 条件の範囲内でなるべく多くの食事を摂りたい
problem = LpProblem(sense=LpMaximize)
problem.setObjective(lpDot(df["カロリー"], df["個数"]))

# **********************
# [3] 制約条件 *********
# **********************
# PFCバランスを設定
problem += lpDot(df["カロリー"], df["個数"]) <= 2500
problem += lpDot(df["タンパク質"], df["個数"]) >= 120
problem += lpDot(df["タンパク質"], df["個数"]) <= 140
problem += lpDot(df["脂質"], df["個数"]) <= 80
problem += lpDot(df["炭水化物"], df["個数"]) >= 250
problem += lpDot(df["炭水化物"], df["個数"]) <= 350
problem.solve()

# **********************
# [4] 最適化実施 *******
# **********************
total_protein = sum([df["タンパク質"][i] * value(df["個数"][i]) for i in range(len(df))])
total_fat = sum([df["脂質"][i] * value(df["個数"][i]) for i in range(len(df))])
total_carbo = sum([df["炭水化物"][i] * value(df["個数"][i]) for i in range(len(df))])
total_calories = value(problem.objective)
selected_menu = [f'{df["料理名"][i]}: {value(df["個数"][i])}' for i in range(len(df)) if value(df["個数"][i]) >= 1]

# **********************
# [5] 結果出力 *********
# **********************
print(f"=カロリー,g数 =")
print(f"摂取カロリー: {total_calories}")
print(f"タンパク質: {total_protein}, 脂質: {total_fat}, 炭水化物: {total_carbo}")
print(f"=料理名, 料理数=")
for m in selected_menu:
    print(m)

Colabについてわかりやすく説明します。

1. 無料で利用可能： Colabは無料で利用できます。Googleアカウントを持っていれば、ブラウザ上で簡単に利用できます。GPUやTPUも利用でき、機械学習やディープラーニングのトレーニングなどに便利です。

2. Jupyterノートブック形式： ColabはJupyterノートブック形式を採用しています。コードセルとテキストセルを組み合わせ、コードの実行と説明文を同じ場所で管理できます。

3. クラウドベース： Colabはクラウド上で動作するため、自分のマシンに環境を構築する必要がありません。また、Google Driveとの連携も容易で、ノートブックを保存し、共有することができます。

4. 豊富なライブラリとハードウェアアクセラレーション： Colabには多くの機械学習やデータサイエンスに使用されるライブラリが事前にインストールされています。また、GPUやTPUなどのハードウェアアクセラレーションも利用可能で、大規模な計算を高速に行うことができます。

5. 共有と協力： ノートブックはGoogle Driveに保存され、他のユーザーと共有しやすいです。また、リアルタイムで共同作業も可能です。

6. データの可視化と解析： Colabにはデータの可視化や解析に役立つツールが豊富に組み込まれています。例えば、MatplotlibやSeabornなどのライブラリを使ってグラフを描画することができます。

Colabは教育、研究、プロトタイピング、データ解析、機械学習のトレーニングなど、さまざまな目的に利用されています。無料で使えるため、手軽に始めることができ、Googleのクラウドリソースを利用できる点が魅力です。

追記：

機械学習と数理最適化について
https://note.com/futureforecast/n/n9b7c27b5b0b1

機械学習と数理最適化 Advent Calendar 2023 チャレンジ している理由
https://note.com/futureforecast/n/n15fd0a157dcb