背景

目前，比较标准的评测体重的标准就是BMI指数，它等于体重除以身高的平方。我国的参考标准认为，BMI指数小于18.5即为偏瘦，在18.5至23.9为正常，在24至27.9之间为超重，大于28即为肥胖。

在正常情况下，人体通过食物摄入的热量与代谢和运动消耗的热量大致上是平衡的，于是体重基本保持不变，而当能量守恒被打破时就会引起体重变化。

减肥计划以减少摄入热量，增加运动量的方法进行考虑

模型假设

1.体重增加正比于吸收的热量，平均每8000kcal增加体重1kg

2.身体正常代谢引起的体重减少正比于体重，每周每千克体重消耗热量一般在200kcal至320kcal之间，且因人而异，这相当于体重70kg的人每天消耗2000kcal至3200kcal

3.运动引起的体重减少正比于体重，且与运动形式和运动时间有关

4.为了安全与健康，每周吸收热量最好不要小于10000kcal，且每周减少量不要超过1000kcal，每周体重减少不要超过1.5kg

运动每小时每千克体重消耗热量
运动	foot	run	dance	pingpang	bicycle	swim
热量消耗	3.1	7.0	3.0	4.4	2.5	7.0

注：数据仅供参考

基本模型

记第k周（初）体重为w(k)(kg)，第k周吸收热量为c(k)(kcal)，k=1，2...。设热量转换系数为α。深体代谢消耗系数为β，根据模型假设，正常情况下（不考虑运动）体重变化的基本方程为(只要能表示这段方程，主体部分基本就完事，使用一个while循环或者for循环即可）

$w(k+1)=w(k)+\alpha c(k)-\beta w(k),k=1,2...$

根据假设1， $\alpha=\frac{1}{8000}kg/kcal$ ，当确定一个人的代谢消耗系数β后，就可按照上述式子由每周吸收的热量c(k)推到ta体重w(k)的变化，增加运动时，需要更改消耗系数β值，具体会在下面给出

实例

某人身高1米7，体重100kg，BMI高达34.6，已知每周吸收20000kcal热量，体重长期未变，目标是需要将ta体重降至75kg，并维持下去。

此时设置一个两阶段计划，第一阶段将吸收热量由20000kcal减至10000kcal；第二阶段保持吸收热量，直至达到减肥目标（亦或者为了加快进程增加运动）

故，根据上述信息，可以得出以下信息：

$c=2000kcal,w=100kg,\beta=\frac{\alpha c}{w}=\frac{20000/8000}{100}=0.025$

根据第一阶段要求，吸收热量要降至10000，故得出c(k)

$c(k)=20000-1000k,k=1,2...$

此时，带入基本模型，就可以得到关于体重的差分方程

$w(k+1)=(1-\beta)w(k)+\alpha (2000-1000k)=0.975w(k)+2.5-0.125k$

以w(1)=100kg为初始值，按照以上式子进行编程，得出11周初体重为93.616kg

代码实现

定义一个loseplan函数，用于制定计划，以及显示每周的体重变化，当然，首先判定BMI指数是否过大。参数为体重，身高，摄入热量，每周默认减少热量为1000kcal，设置了sport，即运动下的第二阶段体重变化

def losePlan(weight,height,c,lose=1000,sport=False,category='跳舞'):bmi = round(weight/height**2)if bmi > 26:goalw = 26 * height ** 2print('您目前体重指数为{}，属于超重范围，正在为您计算第一阶段减食计划所用时间'.format(bmi))print('您的目标体重为{}'.format(round(goalw, 2)))

其次，α是给定已知且不会变化的，β是根据每个人的不同有差异的

a = 1 / 8000  # 热量转换系数
beta = a * c / weight  # 代谢消耗系数

接下来进入差分方程的阶段，我使用的是while循环进行差分，使用for循环的话，我认为需要先算出时间，再进行，whlie循环不会。故定义一个time获取一共需要多少周才能完成第一阶段

time = 0
while c != 10000:c = c - losetime += 1weight = weight * (1 - beta) + a * (20000 - 1000 * time)print('第{}周减少摄入热量为{},此时体重{}'.format(time,c,round(weight, 3)))
print('第一阶段减食所需时间为{}周'.format(time))

此时将参数写上，运行代码，可以获得第一阶段每一周体重的变化，如下图

第二阶段

不运动的情况下，要求每周热量标尺下限10000kcal，故此时方程为

$w(k+1)=(1-\beta)w(k)+\alpha c_{min}=0.975w(k)+1.25,k=11,12...$

当体重减至75.14kg或以下时，第二阶段结束

若想加快进程，需要增加运动，根据前面运动消耗表，记热量消耗为γ，每周运动t小时，则基本模型中β改为β+αγt，此时方程为

$w(k+1)=w(k)+\alpha c(k)-(\beta +\alpha \gamma t )w(k)$

设运动方式为跑步，每周8小时（实际上谁跑那么久呀。。。）

if sport:sport_cate = {'foot': 3.1, 'run': 7.0, 'dance': 3.0,'pq': 4.4, 'bicycle': 2.5, 'swim': 7.9}for i in sport_cate.keys():if category == i:s = sport_cate[category]while weight > 75:weight = weight + a * c - weight * (beta + a * s * 8)time += 1print("第{}周的体重为{}".format(time, round(weight, 3)))# 假设不运动
else:while weight >= 75:a = 1 / 8000weight = weight * 0.975 + a * ctime += 1print("第{}周的体重为{}".format(time, round(weight, 3)))

当不运动时，有代码得出结果，还需要22周才能达到目标体重，若是进行运动，则需要15周。

完整代码

def losePlan(weight,height,c,lose=1000,sport=False,category='跳舞'):bmi = round(weight/height**2)if bmi > 26:goalw = 26 * height ** 2print('您目前体重指数为{}，属于超重范围，正在为您计算第一阶段减食计划所用时间'.format(bmi))print('您的目标体重为{}'.format(round(goalw, 2)))a = 1 / 8000  # 热量转换系数beta = a * c / weight  # 代谢消耗系数time = 0while c != 10000:c = c - losetime += 1weight = weight * (1 - beta) + a * (20000 - 1000 * time)print('第{}周减少摄入热量为{},此时体重{}'.format(time,c,round(weight, 3)))print('第一阶段减食所需时间为{}周'.format(time))if sport:sport_cate = {'foot': 3.1, 'run': 7.0, 'dance': 3.0, 'pq': 4.4, 'bicycle': 2.5, 'swim': 7.9}for i in sport_cate.keys():if category == i:s = sport_cate[category]while weight > 75:# weight = weight + a * c - weight * (beta + a * s * 8)weight = 0.97*weight + 1.25time += 1print("第{}周的体重为{}".format(time, round(weight, 3)))# 假设不运动else:while weight >= 75:a = 1 / 8000weight = weight * 0.975 + a * ctime += 1print("第{}周的体重为{}".format(time, round(weight, 3)))else:print('您的体重指数为{}，体重正常'.format(bmi))if __name__ == '__main__':weight = 100height = 1.7c = 20000name = 'run'losePlan(weight,height,c,sport=True,category=name)

总结

代码不是很长，但是足够用。后期我在进行整理时，发现若是从第一阶段开始运动，会更好，而原书中也是这样表达，我没注意到，所以代码部分，只有第二阶段不运动的情况下是比较正确的。

若是小伙伴们对代码有什么疑惑，可以私信或评论区发表意见哈

参考书目：姜启源谢金星叶俊.数学模型（第五版）

数学模型——基于差分方程的减肥模型（基于python）相关推荐

WIF基本原理（2）基于声明的标识模型
WIF基本原理(2)基于声明的标识模型基于声明的标识模型,简单来讲,就是将用户信息作为声明条件,向应用程序来提供用户标识.一个声明以是用户名,也可能是电子邮件地址.现在的想法是配置外部标识系统,为应 ...
3D图形学（5）：BRDF经验模型和基于物理的BRDF模型
内容引自<Real Time Rendering 3rd> 一.BRDF 双向反射分布函数在计算机图形学中,BRDF(Bidirectional Reflectance Distribu ...
python基于朴素贝叶斯模型的预测概率和标签信息可视化ROC曲线
python基于朴素贝叶斯模型的预测概率和标签信息可视化ROC曲线目录 python基于朴素贝叶斯模型的预测概率和标签信息可视化ROC曲线
[附源码]计算机毕业设计Python+uniapp基于Android的减肥菜谱APPn0n19(程序+源码+LW+远程部署)
[附源码]计算机毕业设计Python+uniapp基于Android的减肥菜谱APPn0n19(程序+源码+LW+远程部署) 该项目含有源码.文档.程序.数据库.配套开发软件.软件安装教程项目运行环 ...
基于C++的PyTorch模型部署
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达引言 PyTorch作为一款端到端的深度学习框架,在1.0版本之后 ...
使用opencv训练目标检测模型基于cascade模型
使用opencv训练目标检测模型基于cascade模型基于Haar特征的cascade分类器(classifiers) 是Paul Viola和 Michael Jone在2001年,论文" ...
【机器学习】基于GBDT的数据回归及python实现
[机器学习]基于GBDT的数据回归及python实现一.Boosting技术二.GBDT原理与应用 2.1.GBDT思想 2.2.基于GBDT的数据回归 2.3.基于GBDT的数据分类三.基于G ...
matlab加热模型,基于MATLAB钢丝感应加热模型及其温度场特性的研究
<工业加热>第卷年第期 11 热能工程前言自 20 世纪 30 年代,感应加热技术大量应用于工业生产以来,由于感应加热自身的优点和感应加热理论和技术的不断进步,迄今已成为一项节 ...
基于hadoop的商品推荐系统_[零基础入门推荐系统(1)]基于用户和基于物品的协同过滤方法(python代码实现)...
1. 前言: 为什么会有该系列? 最近,打算写<零基础入门推荐系统>系列,为了系统地介绍推荐系统知识,以及加强基础的实践能力. 该系列将结合一些书籍,比如项亮的<推荐系统实践> ...
基于树结构的机器学习模型
基于树结构的机器学习模型在深度学习被广泛应用之前,基于树形结构的机器学习模型,比如说决策树,随机森林,GBDT,Xgboost等等被广泛的应用到分类等常见场景中,下面总结一下常见一个一些树形结构的机 ...

数学模型——基于差分方程的减肥模型（基于python）

背景