随着人们生活水平的不断提高,人们对饮食菜品提出了新的要求,不仅要求菜品具有营养保健和食疗的效果,而且对新式菜品有了更高的期望,希望出现更多的创新菜品。目前创新菜品的方法主要是根据人们对烹饪的经验和想法,但由于人们对营养学知识的了解不足,很难搭配出具有营养功效的食材组合,加之网络上的信息量过于庞大,难于从海量的营养知识数据中提取自己需要的内容。因此,如何加大菜品创新力度和加快创新效率,针对不同用户搭配出具有特定功效的菜品成为了一个等待解决的研究课题。本文对食品推荐与食材搭配算法进行了总结,发现目前食品推荐的研究主要是考虑人体对基本膳食营养摄入量的需求以及用户的个人喜好,没有考虑到菜品的食疗功效,而且针对菜品创新的研究极少。针对以上存在的问题,本文对多种营养指标进行了整理和分析,根据食材和营养素、营养素和功效的关系创建了以营养功效为目标的食材搭配框架,提出一种加入用户偏好的多目标优化遗传算法(Multi-objective Optimization Genetic Algorithm with User Preference,MOGA-UP)来完成食材搭配,实现菜品创新,算法加入了默认随机权重方法、食材选择概率策略和一种新的表现型基因交叉方法用于满足用户偏好、解决食材数量控制问题和算法收敛过快问题。实验结果显示,推荐方案的菜品营养质量指数较高,说明了算法的可行性和有效性。与NSGA-II算法相比,MOGA-UP收敛速度更快,并且推荐结果的质量更好。MOGA-UP的可行解在搜索空间上分布比较均匀,说明解的多样性较好。为了验证上述MOGA-UP算法的食疗效果,本文对BP神经网络进行训练后,将MOGA-UP算法得到菜品的表示向量输入神经网络,看网络实际输出的食疗功效和期望功效之间的差距,发现有的菜品的输出功效不满足预期;针对这个问题,本文把MOGA-UP算法和神经网络相结合(BP-GA),保证创新的菜品的功效和期望功效一致。实验结果表明,与MOGA-UP相比,BP-GA推荐方案的误差率更低,相似度更高,说明基于遗传算法的BP神经网络方法推荐效果准确率较高,但BP-GA无法计算菜品营养质量指数,不能对营养功效促进程度进行评价。同时,BP-GA比较依赖高质量且数据量大的学习样本,对于优化目标数量较多的问题推荐效果较好。