每周一早上，食堂办公室最常上演的一幕是：大厨根据经验拍脑袋定这周菜单，行政人员觉得 "这道菜员工肯定爱吃"，采购按单备料，结果周三就发现 —— 酸辣土豆丝卖光了，旁边的清炒西蓝花剩了一半，倒掉的餐盘里全是没人动过的红烧肉。下周改了菜谱，又是一轮 "做多倒掉、做少不够" 的循环。传统排菜的本质，是用几个人的主观判断，去猜几千人的口味，猜错了就是食材浪费、人工白忙、食客抱怨三重损失。更难的是，人的口味不是静态的：夏天想吃凉的、冬天想吃热的；开学季想吃新鲜的、期末季想吃熟悉的；隔壁食堂上了新品，这边销量就掉一截。凭经验排菜，永远追不上食客口味的演化。
智慧食堂后端大数据引擎引入遗传算法（Genetic Algorithm），把历史消费频次、季节气候、节气特征、残食率、价格敏感度、反馈评分全部纳入优化目标，自动迭代出每周满意度与毛利率双优的智能菜谱推荐。排菜从 "大厨拍脑袋" 变成 "算法算出来"，每一道菜上不上桌，背后都是数据在说话。
一、传统排菜的三重困境：经验追不上口味
菜谱排得准不准，直接决定了销量和损耗，但传统模式下三个问题始终无解。
1. 主观经验偏差：几个人猜几千人
大厨的口味是他自己的，行政的偏好也是他自己的。把个人喜好当成大众口味，是传统排菜最大的系统性偏差。大厨觉得 "这道菜用料好、有水平"，员工可能觉得 "太油了、不吃"；行政觉得 "健康应该多吃蔬菜"，年轻人可能更爱重口味。猜错一轮，就是一批食材变成泔水。
2. 静态菜单：忘了口味会变
菜单一定就是一学期或一季度，不随季节、天气、节日调整。大夏天还在天天上红烧羊肉，大冬天还在天天上凉拌黄瓜，不是菜不好，是时机不对。食客口味随季节、节气、考试周、加班潮不断变化，静态菜单自然越卖越差。
3. 数据碎片化：卖了但不知道为什么
收银系统知道哪道菜卖了多少，但不知道为什么好卖、为什么剩了。是因为今天天气冷？是因为隔壁窗口有更好吃的？是因为价格定高了？还是因为厨师今天发挥失常？没有把消费数据、残食数据、天气数据、反馈数据关联起来，菜谱调整永远停留在 "上次那道菜卖得好，这周再上" 的简单重复上，找不到底层规律。
二、遗传算法：把排菜变成多目标优化问题
遗传算法借鉴生物进化的 "优胜劣汰" 机制，把每一套菜单当作一个 "个体"，通过多轮迭代，自动找出综合评分最高的那套组合。这比单纯统计 "哪道菜卖得好" 高明得多 —— 因为菜谱不是单道菜的堆砌，而是一道菜和另一道菜之间会互相影响、互相替代。
1. 口味演化矩阵：先建食客的 "数字画像"
算法的输入，不是单一的销量数字，而是一张多维的食客口味矩阵：
消费频次：每道菜被选择的次数、复购率、客单价；
残食率：剩了多少、剩在哪里、是整盘没动还是吃了一半；
季节气候：气温、降雨、节假日对菜品偏好的影响；
节气特征：立夏想吃凉面、冬至想吃饺子，节气关联菜品的历史表现；
价格敏感度：不同人群对涨价、降价的反应；
反馈评分：食客主动打分、投诉、表扬的文本数据。
这张矩阵每周更新，食客口味怎么变，算法就怎么跟。
2. 多目标优化：满意度和毛利率同时最优
排菜不是 "什么好吃上什么"，而是要同时兼顾：
3. 迭代进化：从随机组合到最优菜单
算法的工作流程像生物进化：
种群初始化：随机生成几百套菜单组合（每套包含本周各窗口的菜品搭配）；
适应度评估：用历史数据模拟每套菜单的表现 —— 预计销量、预计损耗、预计毛利、预计满意度；
选择与交叉：保留表现好的组合，把它们的 "基因"（菜品选择、搭配方式）交叉重组；
变异：随机尝试一些新菜品或新搭配，避免陷入局部最优；
多轮迭代：重复几百轮，直到收敛到一套综合评分最高的推荐菜单。
最终输出的不是 "哪道菜最好"，而是 "这周哪套菜单组合，能让最多人满意、让食堂最赚钱"。
三、落地闭环：算法推荐→人工微调→数据回流
算法不是替代大厨，而是给大厨一个高质量的起点，再用实际数据不断校准。
1. 每周推送智能菜谱
算法每周自动生成下周推荐菜单，附带每道菜的推荐理由：预计销量、毛利率、适配季节、历史表现。大厨和行政可以直接采纳，也可以基于经验微调 —— 但每一次调整都会被记录，下次算法会学习。
2. 实际售卖数据回流
菜单上线后，每道菜的真实销量、残食率、反馈自动回流到算法，和预测值做对比。预测准的，算法强化；预测偏的，算法修正模型。越用越准。
3. 残食率自动反馈
智能称重餐盘或 AI 识别系统自动统计残食情况，哪道菜被剩下、剩下多少，精确到克。这比 "大概卖得不好" 准确得多，算法据此调整下次的推荐权重。
四、三重价值：少浪费、提满意度、增毛利
1. 食材损耗大幅下降
做多倒掉的核心原因是预估不准。算法基于多维数据预测需求，备料更接近真实销量，剩菜剩饭显著减少。落地数据显示，残食率可下降 20%-30%。
2. 食客满意度提升
想吃的菜天天有、不想吃的菜不硬推，季节变化跟上节奏，食客感受到的是 "食堂越来越懂我"，而不是 "永远那几样"。
3. 毛利率稳步改善
在满意度提升的同时，高毛利、高效率的菜品被优先推荐，低销量高损耗的菜品被自然淘汰。食堂不只是 "卖得多"，更是 "赚得聪明"。
五、场景适配
高校食堂：学生口味变化快、季节敏感，算法可根据开学季、考试周、节假日自动调整菜单策略。
产业园区食堂：员工人群相对固定但价格敏感，算法在满意度和毛利之间找平衡，避免 "贵了没人吃、便宜了不赚钱"。
医院食堂：特殊膳食、慢病饮食需求多，算法可叠加营养约束，推荐既好吃又合规的菜品。
乐牛智慧食堂智能菜单引擎，基于历史消费、残食率、季节节气、价格反馈多维数据，采用遗传算法进行多目标优化，每周自动推送满意度与毛利率双优的推荐菜谱。系统支持人工微调与数据回流闭环，越用越准，已在大量高校、园区、医院食堂落地，帮助告别拍脑袋排菜，实现菜谱从经验驱动到数据驱动的升级。
结语
排菜这件事，过去是后厨最 "艺术" 的部分 —— 靠大厨的手感、行政的直觉、上周的记忆。但几千人的口味，从来不是几个人能猜透的。
遗传算法做的，是把食客每一次选择、每一次剩饭、每一次评分都变成数据，再用进化迭代的方式自动找到最优解。大厨的经验不会被替代，但会被放大 —— 算法给出起点，大厨做最终决策，数据持续校准。
让每一道菜上不上桌，不再是 "我觉得"，而是 "数据说"。少倒一盘菜、多留一份满意、多赚一分毛利，这就是数据驱动菜单的实在价值。
