Smart nutrition and cooking. Applications to specific dietary restrictions.

Abstract

Este Trabajo de Fin de Grado propone un sistema inteligente capaz de generar planes semanales de ingredientes que cumplan con las recomendaciones nutricionales oficiales para distintos perfiles de edad y sexo. A partir de estos dos únicos datos, el sistema optimiza la combinación de ingredientes mediante programación lineal entera mixta (MILP), garantizando un adecuado equilibrio de macro y micronutrientes, así como el cumplimiento de las frecuencias recomendadas por grupo de alimentos.

Tras la optimización, los ingredientes diarios se agrupan en tres comidas mediante clustering con restricciones (KMeansConstrained). Estas agrupaciones se comparan con recetas reales usando la similitud de Jaccard, evaluando así su viabilidad culinaria. Aunque no se generan menús finales con recetas completas, el sistema logra convertir soluciones numéricas en propuestas culinarias razonables.

El sistema fue validado con distintos perfiles demográficos, confirmando su escalabilidad y eficiencia (tiempos de ejecución <10s). La solución cumple aproximadamente con el 30% de los objetivos nutricionales diarios. Sin embargo, ciertos nutrientes como el ácido fólico, vitamina B12 o vitamina A presentan mayores desviaciones debido a su concentración en pocos ingredientes.

Además, se analizó el impacto de imponer una frecuencia mínima de aparición de ingredientes (τ), observando que mayores valores mejoran el realismo culinario, pero reducen la flexibilidad nutricional. La configuración final adoptó un valor intermedio (τ = 50%) para lograr un equilibrio entre ambos criterios.

El trabajo concluye con propuestas de mejora: integrar datos más ricos, añadir aprendizaje automático y diseñar una interfaz accesible para usuarios con restricciones dietéticas personalizadas.

This Final Degree Project presents an intelligent system capable of generating weekly ingredient plans that comply with official nutritional recommendations for different age and gender profiles. Using only these two inputs, the system optimizes ingredient combinations through mixed-integer linear programming (MILP), ensuring a balanced intake of macro- and micronutrients as well as adherence to recommended food group frequencies.

After optimization, daily ingredients are grouped into three meals using constrained clustering (KMeansConstrained). These clusters are then compared to real recipes using the Jaccard similarity index to evaluate their culinary feasibility. Although full menus with complete recipes are not generated, the system successfully translates numerical solutions into reasonable culinary proposals.

The system was validated across multiple demographic profiles, confirming its scalability and efficiency (execution times under 10 seconds). It meets approximately 30% of daily nutritional targets. However, nutrients like folate, vitamin B12, and vitamin A show greater deviations due to their concentration in a limited number of ingredients.

The impact of enforcing a minimum ingredient frequency (τ) was also analyzed. Higher values improved culinary realism but reduced nutritional flexibility. An intermediate threshold (τ = 50%) was selected to balance both aspects.

The project concludes with suggestions for future development: incorporating more comprehensive and standardized data, integrating intelligent learning systems for iterative refinement, and developing a user-friendly interface for individuals with specific dietary restrictions.