Asp.Net运动员营养配餐系统 第4页
制定运动员膳食各种食物的供给标准，并将它应用于管理部门制订伙食标准、运动员膳食的组织和食物采购、运动员食物供给量的评价以及运动员平衡膳食指南的参考标准。
运动员膳食的营养配餐和营养评价要进行复杂的计算，随着计算机软件的不断更新换代，各种功能更齐全、运算速度更快捷的膳食调查软件应运而生。目前尚存在的问题，是如何使食谱标准化，从而大大简化数据的输入工作，减低营养调查的工作量和复杂性，并为非专业人员定期监测运动员的膳食摄入日益成为一种常规管理制度创造条件。随着竞技体育科学化的进程，各营养素代谢与运动能力的关系的研究也日益活跃，对各种营养素的认识也在不断深入，一些营养素在机体代谢中的作用将会被重新解释，它们对运动能力的影响也会被重新认识。运动员的能量供给是影响运动能力的最直接因素。近年来有关能量代谢的研究技术多采用同位素双标记水法，其结果与膳食调查的能量摄入值有一定的差距。能源物质的供给方面，糖补充的种类、时间、形式及其对血糖水平、肌糖元再合成和胰岛素水平的影响以及糖补充与肌肉中的肌酸代谢、机体免疫机能的关系等研究成为广泛关注的课题。对脂肪的供能作用近年来有了一些新的认识。某些蛋白质和氨基酸，如乳清蛋白、谷氨酰胺、支链氨基酸、精氨酸、鸟氨酸补充消除疲劳、增强合成代谢和增进运动能力等方面的研究取得了可喜的突破性进展。参与能量代谢的文生素（B1、B2、PP）的供给量多年来都是与能量摄入成比例的。1999年美国公布的新版RDA将这一关系分离。虽然文生素供给量也随着能量摄入的增加而增加，但并不成固定的比例关系。运动使机体内的自由基产生增加，但目前还无法明确这些超量产生的自由基的最终归宿及其对运动能力的影响。目前这方面工作的开展存在着一些技术限制，尚有待于更灵敏与特异的自由基、脂质过氧化作用和细胞损伤检测方法的进步。
有些营养素是其在机体内代谢的中间体，它们不仅直接参与机体代谢，同时还具有调节机体新陈代谢和生理机能的作用，并有助于消除疲劳和改善运动能力。根据强力营养素的作用目标，我们通常将它们分成3类：增加合成代谢和肌力的强力营养素；促进能量代谢的强力营养素；抗过氧化物的强力营养素。
这一类营养素的作用机理是，通过营养素补充，使机体自身分泌的睾酮、生长激素、胰岛素和相关激素的水平提高，从而获得最佳的激素环境，或营养素本身直接作为肌肉合成的原料，促进肌肉加快合成代谢，增加肌力。它们包括：乳清蛋白或鸡蛋白蛋白的水解产物、肌酸、某些游离氨基酸及其代谢物如谷氨酰胺、精氨酸等，某些微量元素如铬、锌、硒、硼等，某些文生素如文生素C、E，泛酸等。
在竞技体育运动中，促进能量代谢效率和刺激能量生成的营养补剂一直受到青睐和关注。它们包括1，6－二磷酸果糖（FDP）、肌酸、L一肉碱、丙酮酸盐等。
除了上述的强力营养外，还有一类称为抗过氧化物的营养品，例如文生素E、C，辅酶Ql0和一些多糖类及皂甙类制剂等，在运动人群中被广泛使用。
超负荷的运动量，会造成运动员机体内环境的失衡，从而有可能带来一些与代谢失衡伴随发生的医学问题。这些医学问题可能涉及以下几个方面：(1)中枢神经系统 的疲劳；(2)神经内分泌功能的抑制；(3)免疫机能的下降；(4)造血系统功能的抑制（5）机体过氧化能力的下降等。运动员在训练中出现以上的医学问题 是一个逐步加重的过程，最初并无明显的临床表现，但一旦出现临床病象，就难以恢复到正常的训练状态。鉴此，运动员训练期中定期的生化监控就显得非常重要了，而且在目前可采用的各种检测技术与指标中，生化指标最能灵敏地反映运动员的机能状态，根据生化指标，可以初步判定运动员机体的哪一个系统出现了问题。从而对症下药，开出使有针对性的运动营养品和保健品处方，促进运动员的机体尽快回到正常状态，从而保证训练计划的顺利实施和训练效果的提高。 随着竞技体育竞争日趋激烈和全民健身运动普遍开展，运动营养生化工作将受到社会广泛的重视。随着现代科学技术的高速发展，运动营养生化的研究和应用也将进入一个快速发展的新时期。
目前我国运动员饮食存在着肉类过多、动物脂肪过多及运动员吃得过多的“三多”现象，同时存在着蔬菜少、水果少、营养成分少的“三少”现象。另外由于烹调时间过长，食物中文生素破坏严重，虽然运动员吃得很多，但真正能利用的营养物质却很少，因而在训练中显得体力不足。造成上述情况的主要原因是一些有关人员缺乏营养知识，他们错误地认为伙食好坏的标准是以肉类多少来衡量，并不考虑和研究运动员的身体需求，更不考虑各种不同项目运动员的营养需要。因此，今后运动员的饮食中肉类应适当减少，尽量用植物油炒菜，在饮食中适当增加蔬菜与水果，烹调时间也不宜过长。
近代科学技术发展的显著特点之一是生命科学与工程科学的相互交叉，相互渗透和相互促进，而遗传算法(Genetic Algorithm)与智能化计算的蓬勃发展体现了学科发展的这一特点和趋势。近年来这些新的计算智能理论和方法正在迅速发展。并且广泛地适应于研究与工程的各个领域，取得了显著效果。
遗传算法的内涵和哲理乃是启迪于自然界生物从低级简单到高级复杂乃至人类这样一个漫长绝妙的进化过程和借鉴于达尔文的物竞天演，优胜劣汰，适者生存的自然选择和自然遗传的机理。其本质是一种求解问题的高效并行搜索方法。能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最优解或较优解。
使用遗传算法求解科学研究和工程技术中各种组合搜索和优化计算问题的这一基本思想，是早在60年代初期由美国密西根(Michigan)大学的J. HOLLAND教授的名著《自然与人工系统的自适应》中予以系统的介绍，到了80年代中期，遗传算法研究蓬勃发展，吸引了大批的科学研究者和工程技术人员，从事该领域的研究和开发应用工作，由于遗传算法的整体搜索策略和优化搜索方法在计算时不依赖于梯度信息，所以它的应用范围非常广泛，尤其是适合于处理传统搜索方法难以解决的高度复杂的线性问题。如背包问题，旅行商等问题，在组合优化，优化数值，机器学习，智能控制，人工生命，模式识别等领域应用中，展现了它特有优越性和魅力。随着计算机速度的提高，进行遗传算法和进化计算时计算机速度的要求已不在是制约其发展的要素。遗传算法在很多方面取得了广泛应用。
遗传算法的两大主要特点是群体搜索策略和群体中个体之间的信息交换，它实际上是模拟由个体组成群体的整体学习过程，其中每个个体都是给定问题搜索空间的一个解点。遗传算法从任一初始化群体出发，通过随机选择(Selection：使群体中优秀个体有更多机会传给下一代)，交叉(Crossover:体现了自然界中群体内个体间信息交换)和变异(Mutation)在群体中一代一代地进入到搜索空间中越来越好的区域，直至抵达优解点。遗传算法与其它搜索方法相比，其主要优越性表现在:
首先，遗传算法在搜索过程中不易限入局部最优，即使所定义适度函数非连续，不规则和伴有噪声的情况下也可能以极大概率找到全局最优解;其次由于遗传算法固有的并行性，使得它非常适合于大规模并行分布处理。主要内在并行方式表现在;搜索一个种群数目的点而不是单点，其内在并行性表现在多台计算机对各自独立的种群的深化计算，甚至不用通信，等到运行结束才通信，选取最佳个体。还包含有内含并行性，于由于遗传算法采用种群搜索，因而可同时搜索解空间多个区域。并相互交流信息。遗传算法优越性还表现在其智能性，即自组织，自适应和自学习性，此外遗传算法易于和别的技术结合，形成更优的问题求解方案。
目前遗传算法的研究，尽管还存在一些有争议的问题，某些截然不同的甚至鲜明对照的学术观点和设计原则，一时尚难统一，而且整个遗传算法的理论基础还比较薄弱，但是很多实例及应用充分表明，模拟自然进化的搜索过程往往可以产生非常简单，通用和鲁棒性能很强的计算方法。
多目标遗传算法是在基本的遗传算法的基础上增加求非支配解，分层，抑制快速收敛等操作。目的是在于提高算法的性能。如下是带有m个目标函数的多目标优化问题(MOOP)的数学表达式如下：
由于在MOOP中，多个设计变量有时是相互矛盾的。所以，这里的最小化（Minimize）问题，从实际意义上来说，其实是指当综合考虑所有的目标函数时的优化解（Pareto 解）。尽管也许全部的目标函数都不能优化到它们各自作为单目标函数时的最优解，但是，在多目标情况下，对其中任意一个单个的目标函数的优化都不能以降低其它函数的优化解为代价。这就是多目标优化不同于单目标函数优化的地方，也正是它的难点。这里，为了区别进化过程中的Pareto 解集和MOOP最终得到的Pareto解集，我们把进化过程中的Pareto 解集称为近优解集（non-inferior），而在其它文献中这两个名词通常表示同一概念。
适用于多目标优化问题的遗传算法（MOGAs）是在经典遗传算法（GAs）的基础上修改得到的。多目标优化问题的遗传算法在适应度分配策略上不同于经典遗传算
上一页 [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] ... 下一页 >>