Bireye Özgü Optimum Beslenme Çizelgesinin Yapay Atom Algoritması Kullanılarak Hazırlanması

Abstract

Amaç: Beslenme, insanın sağlıklı bir yaşam sürdürebilmesinde önemli bir konudur. Bu nedenle, çalışmada, bireyin fiziksel, fizyolojik ve sosyolojik özellikleri göz önünde bulundurularak, günlük optimum beslenme çizelgesinin meta-sezgisel bir algoritma olan Yapay Atom Algoritması kullanılarak oluşturulması hedeflenmiştir.

Gereç ve Yöntem: Çalışmada, kullanıcıdan cinsiyet, yaş, boy, kilo, hamilelik ve emzirme durumu ve dönemi, egzersiz durumu gibi bilgileri istenilerek bunlara göre kişinin günlük enerji gereksinimi belirlenmiştir. Başlangıçta rastgele oluşturulan günlük beslenme çizelgesi, bireyin günlük enerji gereksinimi ve besinlerin kalori değerleri göz önünde bulundurularak Yapay Atom Algoritmasıyla optimize edilmiştir.

Bulgular: Kullanıcı bilgilerine uygun olarak günlük alınması gereken kalori miktarına en yakın değeri veren besin gruplarıyla bir beslenme çizelgesi elde edilmiştir. Rastgele seçilen 20 birey için Yapay Atom Algoritması ile elde edilen optimum beslenme çizelgelerinin ortalama standart hatası SEM (Standart Error of Mean) = 0.0314 olarak hesaplanmıştır.

Sonuç: Böylece bireyin fiziksel, fizyolojik ve sosyolojik özellikleri göz önünde bulundurularak kişiye özgü beslenme planının meta-sezgisel bir algoritma olan Yapay Atom Algoritması yardımı ile rahatlıkla oluşturulabildiği görülmüştür.

Anahtar Kelimeler: Beslenme, Beslenme optimizasyonu, Yapay atom algoritması

Keywords

• Beslenme, Beslenme optimizasyonu, Yapay atom algoritması

References

1. Demirel U, Bahçecioğlu İH. Enteral ve Parenteral Beslenmeye Klinik Yaklaşım. Güncel Gastroenteroloji 2010;149:14-3.
2. Ghisalberti EL. Propolis: a review. Bee World 1979;60:59-84.
3. Nazni P, Vimala S. Nutrition Knowledge, Attitude and Practice of College Sportsmen. Asian J Sports Med 2010;1(2):93–100.
4. Stigler GJ. The Cost of Subsistence. Journal of Farm Economics 1945;27(2):303-314.
5. Anderson AM, Earle MD. Diet Planning in the Third World by Linear and Goal Programming. J Opl Res Soc 1983;34:9-16.
6. Alpaslan F. Türkiye’de 6 Büyük İlde Doğrusal Programlama İle Optimum Beslenme Maliyetinin Minimizasyonu (1994-97). Ondokuz Mayıs Üniversitesi Yayınları 1996;150:6-8.
7. Kaldırım E, Köse Z. Application of a Multi-objective Genetic Algorithm to the Modified Diet Problem. In Proceedings of Genetic and Evolutionary Computation Congress (GECCO) Seattle, USA, 2006.
8. Kılınç E. Diyet Problemlerinin Optimizasyonu ve Bir Uygulama. Yüksek Lisans Tezi, Isparta: Süleyman Demirel Ünv. Sosyal Bil. Enst. İşletme ABD, 2007.

9. Lv Y. Multi – Objective Nutritional Diet Optimization Based on Quantum Genetic Algorithm. In Proc. ICNC Tianjian, China, 2009;4:336-340.
10. Gümüştekin S, Şenel T. Beslenme Probleminde Genetik Algoritma Kullanılması. International Anatolia Academic Online Journal 2013;1(1):19-26.
11. Kreymann G, Adolph M, Mueller MJ. Working group for developing the guidelines for parenteral nutrition of The German Association for Nutritional Medicine. Energy expenditure and energy intake – Guidelines on Parenteral Nutrition, Chapter 3. German Medicine Science, 2009.
12. Harris JA, Benedict FG. A Biometric Study of Human Basal Metabolism. In Proceedings of the National Academy of Sciences USA, 1918;4(12):370–373.
13. Harris JA, Benedict FG. A biometric study of basal metabolism in man. Washington, DC: Carnegie Institution; 1919.
14. Roza AM, Shizgal HM. The Harris Benedict equation reevaluated: Resting energy requirements and the body cell mass. American Journal of Clinical Nutrition 1984;40(1): 168-182.
15. McNab BK, On the utility of uniformity in the definition of basal rate of metabolism. Physiol Zool 1997;70:718–720.
16. Cantekinler E, Gökbel H. Metabolik Hız ve Tayini. Genel Tıp Derg 1998;8(1):49-53.
17. Durnin JV. Practical estimates of energy requirements. J Nutr 1991;121(11):1907-1913.
18. Fletcher GF, Balady GJ, Amsterdam EA, et al. Exercise standards for testing and training: a statement for healthcare professionals from the American Heart Association. Circulation 2001;104:1694-1740.
19. Malone AM. Methods of assessing energy expenditure in the intensive care unit. Nutrition in Clinical Practice 2002;17:21-8.
20. Karaboğa D. Yapay Zekâ Optimizasyon Algoritmaları. İstanbul: Atlas Yayınları; 2004.
21. Murty KG. Optimization Models For Decision Making. Internet Edition 2003;1:1-18.
22. Papadimitriou CH, Steiglitz K. Combinatorial Optimization: Algorithms and Complexity. Mineola, New York: Dover Publications; 1998.
23. Corne D, Dorigo M and Glover F. New Ideas in Optimization. London, UK: McGraw-Hill; 1999.
24. Glover F, Kochenberger GA. Handbook of Metaheuristics. Norwell, MA: Kluwer Academic Publishers; 2003.
25. Korosec P (ed). New Achievements in Evolutionary Computation. InTech, 2010.
26. Leonora B, Dorigo M, Gambardella LM, Gutjahr WJ. A survey on metaheuristics for stochastic combinatorial optimization. Natural Computing 2009;8(2):239–287.