Інтелектуальні методи керування індивідуальним раціоном харчування
DOI:
https://doi.org/10.35681/1560-9189.2025.27.3.354582Ключові слова:
жадібний алгоритм, лінійне програмування, метод Монте-Карло, генетичний алгоритм, Random Forest, XGBoost, щільна нейронна мережа, індивідуальна дієта, оптимізація, прогнозування, ІМТ, базальний метаболізм, точність, швидкість, варіативністьАнотація
Розробка персоналізованих дієт набуває дедалі більшої актуальності через зростання інтересу до здорового способу життя та необхідність урахування індивідуальних особливостей організму. У цій роботі представлено підхід до створення індивідуальних дієт шляхом порівняння чотирьох алгоритмів оптимізації і трьох алгоритмів прогнозування. Запропонована система визначає оптимальний розподіл харчових компонентів на основі індивідуальної добової потреби в калоріях. Роботу алгоритмів оцінено за трьома критеріями: точність результату, швидкість обчислень і кількість можливих варіантів дієти. Результати показали переваги комбінованого підходу, який поєднує методи оптимізації і машинного навчання для формування збалансованої та індивідуально адаптованої дієти.
Посилання
World Health Organization, "Obesity and overweight," [Online]. Available: https://www.who.int/news-room/fact-sheets/detail/obesity-and-overweight.
Garnet Health, "Basal Metabolic Rate Calculator," [Online]. Available: https://www.garnethealth.org/news/basal-metabolic-rate-calculator.
Miow, Y.X., Mok, W.K.H., Gan, W.Y., Lim, P.Y., Appannah, G., & Adznam, S.N.A., "The use of linear programming approach in diet optimization among children under five: a scoping review," BMC Public Health, vol. 25, art. no. 1279, 2025.
van Dooren, C., "A review of the use of linear programming to optimize diets, nutritiously, economically and environmentally," Frontiers in Nutrition, vol. 5, art. no. 48, 2018.
Shah, A., & Khan, M., "A survey of Monte Carlo methods for noisy and costly densities with application to reinforcement learning and ABC," EURASIP Journal on Advances in Signal Processing, vol. 2020, no. 1, pp. 1–22, 2020.
Wang, L., & Li, Y., "A review of Monte Carlo and quasi‐Monte Carlo sampling techniques," Wiley Interdisciplinary Reviews: Computational Statistics, vol. 13, no. 5, pp. 1–20, 2021.
Zhang, H., & Liu, J., "A review of Monte Carlo methods and their application in medical physics," University of New Hampshire Honors Theses, pp. 1–15, 2022.
Chatzipantsiou, I., Tsirigotakis, N., & Demetriou, S., "An extensive search algorithm to find feasible healthy menus for school children," Applied Soft Computing, vol. 114, 2022.
Khandoker, D., Akter, M., & Rahman, R., "Diet planning with machine learning: Teacher-forced REINFORCE for composition compliance with nutrition enhancement," Journal of Computational Nutrition, vol. 8, 2021.
Heinonen, P., & Juuso, E.K., "Development of a genetic algorithms optimization algorithm for a nutritional guidance application," Proceedings of the 9th EUROSIM & the 57th SIMS, pp. 55–60, 2017.
Karim, R., Biplob, M.B., & Arefin, M.S., "Developing a genetic algorithm based daily calorie recommendation system for humans," International Journal of Computer Science and Information Technology, vol. 16, no. 3, pp. 45–52, 2024.
Ooka, T., Johno, H., Nakamoto, K., Yoda, Y., & Yokomichi, H., "Random forest approach for determining risk prediction and predictive factors of type 2 diabetes," BMJ Nutrition, Prevention & Health, vol. 0, pp. e000200, 2021.
Anam, S., Purwanto, I.N., Mahanani, D.M., Yusuf, F.I., & Rasikhun, H., "Health risk classification using XGBoost with Bayesian hyperparameter optimization," Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 9, No. 3, pp. 465–473, 2025.
Xu, Z., Guo, X., Zhu, A., He, X., Zhao, X., Han, Y., & Subedi, R., "Using deep convolutional neural networks for image-based diagnosis of nutrient deficiencies in rice," Computational Intelligence and Neuroscience, vol. 2020, pp. 7307252, 2020.
Oliinyk, A., & Subbotin, S., "A stochastic approach for extracting association rules," Pattern Recognition and Image Analysis, vol. 26, no. 2, pp. 419–426, 2016.
Glasserman, P., Monte Carlo Methods in Financial Engineering, Springer, New York, 2023, 585 p.
Subbotin, S.O., Oliinyk, A.O., Fedorchenko, Ye.M., et al., Mathematical and software tools for decision making, pattern recognition and intelligent diagnostics, Zaporizhzhia Polytechnic National University, 2020, 271 p.
Fedorchenko, I., Oliynik, A., Zaiko, T., Medvedev, K., Fedorchenko, Y., & Khokhlov, M., "Development of a modified genetic method for automatic university scheduling," CEUR Workshop Proceedings, vol. 3662, pp. 1–15, 2024.
Nlunge, A., "A deep architecture: Multi-layer perceptron," [Online]. Available: https://medium.com/@nlunge786/a-deep-architecture-multi-layer-perceptron-164bc5ff3842
Liu, Z., & Liu, Y., "A study of random forest algorithm for data mining applications," Proceedings of the International Conference on Applied Computing and Information Technology (ACIT), pp. 257–261, 2016.
Chen, T., & Guestrin, C., "XGBoost: A scalable tree boosting system," Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 785–794, 2016.
