简介：2024年电工杯B题数学建模完整过程与代码解析，面向参加电工杯及营养膳食优化类建模竞赛的高校学生。内容以大学生一日食谱为对象，完整演示了膳食营养评价、食谱调整改进、优化模型建立与求解全流程，包含能量与各类营养素摄入量计算公式、男女学生调整前后的对比结论、Python数据处理代码示例，以及基于平衡膳食原则的改进策略，如增加优质蛋白与维生素、减少脂肪和碳水化合物摄入。整个方案条理清晰，可作为竞赛论文写作和代码实现的直接参考。包体为单个docx文档，体积仅32KB，虽小巧但覆盖了从问题概述、步骤拆解到代码实现的关键内容，适合快速阅读与复用。该资源已有892人学习下载，受到建模参赛者关注。对于缺少思路或希望验证自身建模过程的同学，这份全析全解能帮助节省大量查阅资料和调试代码的时间，值得参考。

1. 2024电工杯B题完整代码：把膳食营养评价变成可复现的计算链

2024电工杯B题真正卡人的不是建模思路，而是把四份附件串成一条能跑通的计算链。附件1、附件2是男女两份一日食谱，附件3是食堂食物信息，附件4是营养参考摄入量标准，题目要求先按附件4去评价前两份食谱，再做调整，最后用附件3搭线性规划优化出日食谱和周食谱。这份完整过程与完整代码的价值在于，它把"能量怎么算、营养素达不达标怎么判、线性规划怎么建、三种目标怎么比"整条路径都铺好了，适合想拿一套可复现模板的竞赛选手，也适合想看看pandas聚合和PuLP求解器怎么配合的一线数据分析者。本文按实际执行顺序拆开讲，重点落在参数含义和那些容易让人翻车的点上。

2. 膳食营养评价五步法：从能量到微量元素的逐项核算

2.1 五步法的执行顺序为什么不能乱

附件4给的是一套完整的平衡膳食参考标准，附件1和附件2分别是男生和女生的一日食谱。评价流程拆成五步：先算能量，再算蛋白质、脂肪、碳水化合物三大产能营养素，然后看食物类别结构，接着排查维生素和矿物质的缺乏或过量，最后才进入调整环节。这个顺序有讲究——能量和三大营养素决定食谱的整体框架，膳食结构决定食物来源是否多样，微量营养素决定要不要定点补充。如果一上来就盯着钙和铁，很容易忽略能量超标这个更严重的问题。

以正文给出的评价结果为例：附件1男生能量2268千卡、女生1870千卡，均高于参考摄入量；蛋白质男生81.6克、女生64.6克，又低于参考值；脂肪和碳水化合物也双双偏高。这个结果就是典型的"能量过剩但蛋白质不足"——食堂食谱普遍主食和油脂给得多，优质蛋白和蔬果给得少。读评价结论的正确姿势是把所有指标分成"超标"和"不达标"两列，超标项决定砍什么，不达标项决定补什么。

五步法的另一个作用是给后续建模阶段提供约束来源。评价结论里哪些营养素缺口最大、哪些已经超标，直接决定了优化模型里上下界该怎么设。所以这一步不是走过场，而是整个建模的输入条件。

2.2 核心计算公式与参数约定

正文给出的计算通式是：

Energy = Σ (Food_amount_i × Energy_per_100g_i × Edible_part_rate_i × Portion_i)

蛋白质、脂肪、碳水化合物、维生素和矿物质的计算结构完全一致，只是把每100克含量换成对应的营养素列。四个参数里最容易翻车的是可食部分率和食用份数：Food_amount 表示一次取用了多少克，Edible_part_rate 表示其中能吃的比例，比如带骨鸡腿的可食率大约0.7，整条鱼更低；Portion 表示这份食物一天吃了几次。三者相乘才是真正进到嘴里的量。

注意：附件4的营养成分表里"每100克含量"通常是基于可食部分的。如果某列数据本身已经标成"每份含量"，就不要再乘可食部分率，否则会重复折算，数值直接翻倍。

另外还要确认单位：能量一般是千卡，蛋白质脂肪碳水是克，维生素A是微克，维生素C是毫克。混用单位是这类题目里最常见的低级错误，我在第5章会专门讲一个量级差100倍的案例。

2.3 用pandas把一日食谱聚合出营养素总量

正文代码的第一步是读取附件1和附件2并合并，然后按食物名称聚合。这里有个细节值得提：合并之前要确认两份附件列名完全一致，否则concat之后会出现NaN。我一般会先打印列名对齐一次，再执行聚合：

import pandas as pd import numpy as np male = pd.read_excel("附件 1.xlsx") female = pd.read_excel("附件 2.xlsx") # 先检查列名是否一致，避免合并后字段错位 print("附件1列名:", male.columns.tolist()) print("附件2列名:", female.columns.tolist()) students = pd.concat([male, female], ignore_index=True) # 按食物名称聚合可食部分量 food_intake = students.groupby('食物名称').agg({'可食部分量': np.sum}) # 按食物名称聚合能量 energy_intake = students.groupby('食物名称').agg({'能量': np.sum}) # 按食物名称聚合营养素 nutrient_intake = students.groupby('食物名称').agg({ '蛋白质': np.sum, '脂肪': np.sum, '膳食纤维': np.sum, '维生素 A': np.sum, '维生素 C': np.sum, '钙': np.sum, '铁': np.sum }) print("能量摄入:", energy_intake.sum()['能量'], "千卡") print("蛋白质摄入:", nutrient_intake.sum()['蛋白质'], "克")

逻辑说明：先把两份Excel读进来，再按食物名称分组求和。groupby('食物名称')会把同名食物合并成一行，比如两餐都出现的"米饭"会被累加，Sum的结果就是该食物全天摄入总量。agg字典里每个键对应一个聚合函数，键名必须和Excel表头完全一致，多一个空格都会报KeyError。

参数说明：ignore_index=True决定concat后行索引是重新从0编号还是保留原附件索引，数据处理阶段建议设为True，避免后续merge时索引冲突。np.sum传的是函数对象而不是sum()的调用结果，新手容易把括号带上写成np.sum()，那样会在分组前就完成求和，然后agg拿到一个标量直接报错。

如果题目要求分别评价男生和女生，就要把代码拆开，对male和female分别执行groupby，而不是合并后再算一次。正文原代码里合并后输出的其实是男女合计值，标题却写成"附件1的评价"，这个混淆我在避坑章里再展开说。算完的数字本身没有意义，必须拿附件4的参考摄入量去比，超标项和不达标项分开列，才能进入下一步调整。

3. 食谱调整改进：四条策略与二次评价的量化对比

3.1 从评价结论反推调整方向

调整不是"多吃菜少吃饭"这种口号，而是针对评价结果做定点替换。正文给出的四条策略是：增加高蛋白食物（鸡胸肉、鸡蛋、瘦牛肉），增加维生素来源（水果、蔬菜、全谷类），换成低脂食材（鱼类、豆类、脱脂奶），换成低GI主食（燕麦、红薯、全麦面包）。这四条正好对应上一章诊断出的三类问题：蛋白质不足、脂肪偏高、碳水偏高，蔬菜和水果的补充则同时解决维生素A和钙缺乏的问题。

实际操作时，我会先列一份"问题清单"，再对着附件3的食物信息表找替换物。比如原食谱里的猪肉包子脂肪偏高，可以用鸡胸肉三明治替；白米饭GI值高，可以用燕麦或红薯替。每替换一样，就要重新累加一次营养素，直到所有指标落进附件4的允许区间。替换的粒度可以细到"同一类食物换品种"，也可以粗到"整个餐次重排"，看附件3里可选食物有多少。

这里有个经验：替换时优先保蛋白质来源，因为蛋白质是食堂食谱里最容易缺的硬指标。脂肪和碳水可以通过调烹饪方式和主食种类来压，蛋白质不足则必须靠实打实的高蛋白食物来补。虾、瘦牛肉、鸡胸肉、鸡蛋、豆腐，这些在附件3里通常都有，价格差异也不大。

3.2 调整前后的数值对比表

正文给出的调整后数据整理成表如下，男女生分开列出：

参考摄入量在附件4里本身是一个区间或随体重浮动的值，表里取的是正文实际使用的近似数。调整后的特点是：能量从超标压回接近区间，蛋白质从不足提上来，脂肪和碳水同时降下去。这就是"结构修正"的含义——四类指标联动变化，而不是只改某一个。只看单一指标永远不会发现，能量和蛋白质其实是绑定在一起的：蛋白质不足常常伴随能量超标，因为高蛋白食物被高油脂主食挤掉了份额。

判断达标的标准不要盯着"完全等于参考值"，附件4给的本身就是区间，落在区间内就算合格。比区间略高或略低一点也可以接受，关键是不能出现"能量超了但蛋白质不足"这种结构性问题。

3.3 新评价要重算一遍而不能只改结论

调整完必须重新跑一遍第2章的计算代码，因为食物替换会连锁改变所有营养素，不可能只动一栏。做法是把附件1和附件2里被替换的食物行改掉，重新执行groupby，再对照附件4判断达标情况。正文给的结论是：调整后能量、蛋白质、脂肪、碳水化合物都接近参考摄入量，但维生素A和钙仍有缺乏，需要根据个人情况补充。

这说明微量元素单靠换食材不一定补得够。维生素A在动物肝脏里含量高但食堂未必有，钙在奶制品里含量高但部分学生乳糖不耐受，这种情况下可以考虑走强化食品或额外补充的路线。对建模的意义在于：进入优化阶段时，微量元素的约束上下界要留有余量，不要定死成必须达标，否则线性规划很可能无解。

如果附件3里没有题目指定的那些食物，我的做法是找同类替代——鸡胸肉没有就用去皮鸡腿肉，燕麦没有就用玉米或紫薯，脱脂奶没有就用无糖豆浆。替代的原则是尽量保持蛋白质和膳食纤维接近，脂肪和碳水尽量低。这一步不需要写复杂代码，一张Excel手工替换表就够，重点是把替换前后的差异记下来，方便论文里写清楚调整依据。

4. 日食谱优化建模：三种目标函数的PuLP实现

4.1 为什么用线性规划而不是穷举或遗传算法

附件3提供的食物种类有限，但组合方式仍然是指数级的，穷举不现实。遗传算法对这类线性约束问题属于杀鸡用牛刀，每次运行结果还不稳定，竞赛论文里很难解释清楚收敛性。线性规划是教科书级的选择：目标函数和约束都是线性的，PuLP配合CBC求解器可以直接拿到全局最优解，数值稳定且可复现。

正文一共给了三种目标函数：一是蛋白质氨基酸评分最大，二是用餐费用最经济，三是兼顾评分与经济性。三者共用同一组约束——能量、蛋白质、脂肪、碳水化合物的摄入量上下界，以及半份购买限制。区别只在目标函数的写法：评分最大用LpMaximize，费用最小用LpMinimize，兼顾模型里引入权重λ把两个目标压成一个。

这里必须提醒一个正文里的笔误：评分最大模型的约束写成b_i x_i ≤ B1，但B1定义为"最低摄入量"。≤ 最低摄入量在数学上允许摄入量低于下限，求解器为了最大化评分会把食物量压到最低，得到一个"最优但物理上错误"的解。正确写法应该是≥ B1，并把能量、蛋白质、脂肪、碳水都设为既有下限又有上限的双向约束。

4.2 三种目标函数怎么在PuLP里表达

费用最小化在PuLP里最直观：LpProblem设置成LpMinimize，目标函数是价格乘以摄入量的求和。氨基酸评分最大化则把problem类型换成LpMaximize，目标函数换成评分系数乘以摄入量。兼顾模型写作max Σ a_i x_i - λ Σ p_i x_i，λ越大，费用惩罚越重，解越偏向经济型；λ越接近0，解越偏向评分型。

代码实现上三种模型共用同一套约束块，只是目标函数不同。我的习惯是把约束写成列表函数，再分别新建三个problem实例，而不是反复修改同一个problem。这样后面比较三组解时，数据不会互相污染，论文里要贴三组结果也方便。注意PuLP的变量对象不能跨problem共用，每次都要重新LpVariable.dicts生成一批新变量。

4.3 费用最小化模型的完整可运行代码

下面这版把正文代码整理成了可以直接跑的形式，做了两个关键优化：一是把df.loc[df['食物名称']==f]这种循环查询换成字典映射，数据量大时速度差几十倍；二是把上下界集中到bounds字典里管理，改参考摄入量只需要改一处：

import pandas as pd import numpy as np from pulp import LpProblem, LpVariable, LpMinimize, lpSum, value # 读取附件3，keep_default_na=False避免空值被读成NaN df = pd.read_excel("附件 3.xlsx", keep_default_na=False) # 把每个字段转成字典，key是食物名称，避免循环里反复loc price_map = df.set_index('食物名称')['价格'].to_dict() amount_map = df.set_index('食物名称')['可食部分量'].to_dict() half_map = df.set_index('食物名称')['是否可以购买半份'].to_dict() nutrient_cols = ['能量', '蛋白质', '脂肪', '碳水化合物', '维生素 A', '维生素 B1', '维生素 B2', '维生素 C', '钙', '铁'] nutrient_map = {col: df.set_index('食物名称')[col].to_dict() for col in nutrient_cols} foods = list(price_map.keys()) # 费用最小化模型 prob = LpProblem("Diet_MinCost", LpMinimize) x = LpVariable.dicts("food", foods, lowBound=0, cat="Continuous") # 目标：总费用最低 prob += lpSum([x[f] * price_map[f] for f in foods]) # 约束：每种营养素的上下界，格式为 (下限, 上限) bounds = { '能量': (2400, 2800), '蛋白质': (100, 150), '脂肪': (80, 100), '碳水化合物': (500, 600), '维生素 A': (1000, 3000), '维生素 B1': (1.2, 1.8), '维生素 B2': (1.3, 1.8), '维生素 C': (100, 200), '钙': (800, 1200), '铁': (15, 20), } for col, (lo, hi) in bounds.items(): expr = lpSum([x[f] * nutrient_map[col][f] / 100.0 for f in foods]) prob += expr >= lo prob += expr <= hi # 半份约束：只有允许半份购买的食物才设上限 for f in foods: if half_map[f] == '是': prob += x[f] <= 0.5 * amount_map[f] prob.solve() print("求解状态:", prob.status) print("总费用:", round(value(prob.objective), 2), "元") for f in foods: v = x[f].varValue if v and v > 0.01: print(f, round(v, 2), "克，费用", round(v * price_map[f], 2), "元")

逻辑说明：先把附件3的每个字段转成以食物名称为键的字典，后面写nutrient_map[col][f]就是一次字典查询加变量相乘，比循环里反复df.loc[df['食物名称']==f]快得多，也不会因为食物名称重复而取错行。约束部分用bounds字典统一管上下界，循环里对每一列加两条约束：>= lo和<= hi。半份约束先判断half_map[f] == '是'，只有允许半份购买的食物才把摄入量上限压到半份。

参数说明：lowBound=0保证所有食物的摄入量非负。cat="Continuous"表示连续变量，如果换成"Integer"就变成整数规划，求解速度会明显下降，而这个场景下食物重量本来就是连续的，没必要取整。nutrient_map[col][f] / 100.0这一步是把"每100克含量"换算成"每克含量"，漏掉这一步，能量约束会变成2400*100，结果直接无解。prob.status返回1表示最优解，-1表示无可行解（Infeasible），0表示未求解，-2表示无界，-3表示数值错误，这是排查的第一步。

注意：附件3里营养素列如果用的是"每份含量"而不是"每100克含量"，/ 100.0就不要加。跑之前先打印nutrient_map['能量']['米饭']看一眼量级，米饭每100克能量大约115千卡，如果打印出来是11500，说明单位是每千克或每份，需要重新确认表头。

三种目标的切换很简单：把LpMinimize改成LpMaximize，目标函数换成lpSum([x[f] * score_map[f] for f in foods])，score_map就是每种食物的氨基酸评分系数；兼顾模型则写成LpMaximize加lpSum([x[f] * score_map[f] for f in foods]) - lam * lpSum([x[f] * price_map[f] for f in foods])，λ自行设定后跑三遍，结果分开存。注意变量对象不能复用，每次新建problem都要重新建变量。

5. 避坑：食谱建模与数据处理的五个翻车现场

5.1 约束方向写反：线性规划给了个"最优但错误"的解

现象：用蛋白质氨基酸评分最大化模型求解，得到的食谱能量只有几百千卡，明显低于参考摄入量。检查目标函数没问题，约束也"都加了"，但结果就是不合理。

原因：正文第一个优化模型里约束写成b_i x_i ≤ B1，而B1是"最低摄入量"。≤ 最低摄入量允许摄入量低于下限，求解器为了最大化评分，当然会把所有食物量压到最便宜的组合上，得到一个数学上最优、物理上错误的解。线性规划遇到这种情况不会报错，它会正常返回一个最优解，所以特别隐蔽。

解决：把能量、蛋白质、脂肪、碳水这几项核心约束统一写成≥ 参考下限和≤ 参考上限两组。参考下限来自附件4，上限取下限的1.2到1.5倍。我用bounds字典集中管理这些值，注释里写清"≥是硬约束，≤是安全余量"，避免约束散落在代码各处改漏一处。

5.2 每100克含量与食用份量混用，营养素量级差100倍

现象：求解结果里能量动辄几万千卡，或者钙只有个位数毫克，怎么看都不像人能吃的食谱。

原因：附件3的营养成分表约定的是"每100克可食部分"的含量。代码里直接写x[f] * nutrient_map['能量'][f]，x单位是克，能量单位是"每100克千卡"，相乘后放大100倍。蛋白质、脂肪等同样受影响，只有价格这项不受影响，所以结果看起来"费用合理但营养离谱"。

解决：定义nutrient_map时统一除以100，把列名改成_per_g再参与计算，或者在约束表达式里显式写/ 100.0。跑之前先手工验证一行，比如100克米饭能量约115千卡，看代码输出是否在这个量级。这个检查30秒就能做完，能省下后面一小时的排查时间。

5.3 半份约束误伤不能半份的主食

现象：部分食物求解出来只有几克，食堂根本不可能按这个量卖，比如馒头算出2.3克。

原因：半份约束被无条件写成x[f] <= 0.5 * amount_map[f]，但附件3里是否可以购买半份列标着"否"的食物也进了这个约束。另外amount_map[f]存的是"每份可食部分量"而非"可购买量"，如果一份米饭200克，半份应该是100克，碰上带骨鸡腿这种"一份300克、可食率0.7"的食物，可食部分量和可购买量就完全不是一回事。

解决：先判断half_map[f] == '是'才加半份约束。然后把可食部分量和可购买量分开两个字典存，约束里用可购买量，营养素计算里用可食部分量。更稳妥的做法是：对不能半份的食物不设上界，求解后单独检查单品种最小购买量，如果算出来低于一份量，round到一份再人工复核一遍食谱是否合理。

5.4 concat与merge后索引错位，评价对象张冠李戴

现象：附件1和附件2合并后，算出来的"男生能量摄入"和"女生能量摄入"完全一样，或者食物总量翻倍。

原因：pd.concat([male, female], ignore_index=True)把两份数据纵向粘在一起，后面直接对合并结果groupby，得到的是男女合计值而不是各自的值。而merge多表关联时，如果食物名称在附件3里有重复行，行数会膨胀，聚合结果直接翻倍，这属于典型的索引错位。

解决：男女生分开读、分开聚合，最后再拼到一张评价表。如果一定要走concat，就加一列"性别"作为groupby的分组键。凡是用到merge，先df.duplicated('食物名称').sum()检查是否有重复名称，有重复就先按名称聚合再merge，不要带着重复行去关联。

5.5 求解器报Infeasible，先查哪类约束

现象：prob.solve()返回Infeasible，所有变量值都是None，输出结果全是0，整个人懵在原地。

原因：大部分情况是上下界互相打架。比如能量上限2800千卡，蛋白质下限150克，如果附件3里没有足够多"高蛋白低能量"的食物选项，这两个条件同时成立就可能无解。另一个常见原因是半份约束与最低摄入量冲突——把每个食物都限死在半份以内，又没有足够的食物种类去凑够营养素下限，组合空间直接被砍没。

解决：用松弛法排查。把所有≥约束临时改成≥ 0，逐步恢复，每次恢复一条就看prob.status是否回到1，卡在哪条就是哪条的问题。或者把某条约束的下限改成0再求解，三分钟内能定位到冲突约束。定位后通常两个选择：放宽某一个上下界，或者从附件3里剔除那些价格异常低但营养成分单一的食物，缩小变量空间反而更容易出解。

6. 周食谱扩展与验证：轮换法、λ敏感性与回代检查

6.1 从日食谱到周食谱的扩展思路

周食谱不推荐把7天×3餐×食物种类一次性丢进线性规划，变量数会膨胀到几百个，CBC求解慢不说，结果还因为约束过紧变得不可解释。常见做法是：先让日食谱模型跑出最优解，再用"同类别轮换"生成周食谱——周一用鸡胸肉，周二换瘦牛肉，周三换豆腐，蛋白质总量和氨基酸评分都能控制在±10%以内波动。如果题目明确要求以周为目标建模，另一种做法是把7天约束叠加，同一目标函数拉成7段，但权重系数要对齐，代码量翻倍，论文里解释起来也更费劲。

6.2 三种模型的比较与回代验证

正文要求对三种目标得到的日食谱做比较分析，核心看两个维度：氨基酸评分和用餐费用。把三组解拉成对比表，"最经济"的解评分低但便宜，"评分最大"的解贵但营养结构好，"兼顾模型"在λ取中间值时落在前两者之间。λ从0到1变化时，可以画一条评分-费用的帕累托前沿，这一步在论文里是加分项。验证代码的思路是回代：把求解得到的每种食物克数代回第2章的评价公式，重新计算总能量和各营养素，与附件4参考值比对。如果回代结果和求解器输出对不上，优先怀疑单位换算而不是求解器。

6.3 结果可视化与收尾习惯

最后把三组食谱的营养素达标情况做成柱状图或雷达图，横轴是参考摄入量的百分比，一眼能看出短板在哪个营养素。答辩时直接把Excel明细翻给评委看，每个食物一行，克数、价格、营养素列全展开，比空口解释有说服力得多。从那以后我每次跑这类食谱优化题，都会强制走一遍"约束方向自检、单位换算验证、回代检查"三个步骤，几乎没再翻过车，希望帮到你。

本文还有配套的精品资源，点击获取