Fuzzy-Optimierung der Routenplanung für die Sammlung kommunaler Restabfälle unter unsicheren Emissionen

Warum ein Umdenken bei Müllrouten wichtig ist

Jeden Tag schicken Städte Flotten von Müllfahrzeugen auf eng getaktete Touren aus, damit Straßen sauber bleiben und Wohnviertel lebenswert sind. Die Menge an Abfall, die an jedem Behälter oder Sammelpunkt anfällt, kann jedoch an Feiertagen, bei Unwettern, großen Veranstaltungen oder plötzlichen Störungen stark schwanken. Wenn Stadtplaner davon ausgehen, dass Abfall vollständig vorhersagbar ist, können Fahrzeuge überladen sein, zusätzliche Fahrten nötig werden oder Müll zurückbleiben. Diese Studie untersucht, wie man Sammelrouten so gestaltet, dass diese Unsicherheit explizit berücksichtigt wird, wodurch Städte Geld sparen und gleichzeitig die Zuverlässigkeit des Service erhalten können.

Unordentliche Realitäten hinter dem Alltagsmüll

Kommunale Restabfälle stammen aus Haushalten, Geschäften, Restaurants, Büros und öffentlichen Bereichen. Weltweit entstehen inzwischen mehr als zwei Milliarden Tonnen dieser Abfälle pro Jahr, mit Prognosen, die bis 2050 fast eine Verdopplung erwarten lassen. Sammlung und Transport dieses Materials sind einer der teuersten Teile der Abfallwirtschaft und machen häufig 60 bis 70 Prozent der Gesamtkosten aus. In vielen Städten, auch in den hier untersuchten, hinken die Sammlungssysteme modernen Behandlungsanlagen hinterher, sodass es entscheidend ist, Lkw, Umschlagplätze und Routen effizienter zu nutzen. Das Problem ist, dass das Abfallvolumen an jedem Abholpunkt nicht feststeht, sondern durch menschliches Verhalten und externe Ereignisse geprägt wird, die sich schwer genau vorhersagen lassen.

Von festen Zahlen zu unscharfen Erwartungen

Die meisten früheren Studien behandelten die Abfallmenge an jedem Halt als festen Wert oder versuchten, mit großen historischen Datenmengen eine genaue Wahrscheinlichkeitsverteilung anzupassen. Beide Ansätze stoßen in der Praxis an Grenzen: Detaillierte Daten sind oft knapp, und feste Annahmen ignorieren die Schwankungen, die im realen Betrieb auftreten. Diese Studie verwendet stattdessen eine „fuzzy“ Beschreibung der Emissionen, die auf trapezförmigen Fuzzy-Zahlen basiert. Einfach ausgedrückt wird jedem Halt ein plausibler Bereich möglicher Abfallmengen zugewiesen, mit einem zentralen Band, das besonders wahrscheinlich ist, statt einer einzigen besten Schätzung. Das Modell verlangt dann, dass jede geplante Route mit hoher Wahrscheinlichkeit innerhalb der Kapazität jedes Fahrzeugs bleibt, und zwar entsprechend einem Vertrauensniveau, das die Entscheidungsträger der Stadt festlegen.

Routenplanung mit eingebauter Flexibilität

Vor diesem unschärferen, aber realistischeren Hintergrund wird die Entscheidung, welche Fahrzeuge welche Viertel bedienen sollen, zu einem komplexen Puzzle mit vielen möglichen Lösungen. Um das zu bewältigen, entwickeln die Autoren ein Optimierungsmodell für eine Stadt mit mehreren Umschlagstationen und vielen Sammelpunkten, die alle innerhalb eines engen Vormittagszeitfensters bedient werden. Sie entwerfen anschließend ein spezialisiertes Suchverfahren namens ALNS-TS, das eine adaptive Large-Neighborhood-Search mit einem Tabu-Search-Mechanismus kombiniert. Im Kern zerlegt der Algorithmus wiederholt Kandidatenrouten und baut sie neu auf, lernt dabei, welche Änderungen Kosten senken, und nutzt ein Kurzzeitgedächtnis, um nicht in wiederholten oder minderwertigen Mustern steckenzubleiben. So kann er viele Routing-Optionen schnell erkunden, selbst wenn das zugrunde liegende Problem sehr groß ist.

Was passiert, wenn Unsicherheit respektiert wird

Anhand standardisierter Benchmark-Datensätze vergleichen die Forschenden Pläne, die unter zwei Annahmen erstellt wurden: einer, in der die Abfallmenge an jedem Punkt als genau bekannt behandelt wird, und einer, in der sie den fuzzy-Bereichen folgt. Wie zu erwarten wirken Routen, die Unsicherheit ignorieren, auf dem Papier günstiger: Fahrzeuge legen weniger Kilometer zurück und es werden weniger Fahrzeuge benötigt. Sobald jedoch schwankende Emissionen ernst genommen werden, werden zusätzliche Fahrstrecken und weitere Fahrzeuge notwendig, um Überladungen und ausgefallene Abholungen zu vermeiden. Die Studie zeigt außerdem, dass höhere gewünschte Vertrauensniveaus – also wenn Stadtmanager weniger Risiko für verpasste Abholungen eingehen wollen – zu stetig höheren Betriebskosten führen. Durch Sensitivitätstests identifizieren die Autoren ein mittleres Vertrauensniveau, das starke Zuverlässigkeit ohne übermäßige Kosten bietet.

Intelligentere Algorithmen für sauberere Städte

Um zu prüfen, ob ihre Lösungsmethode den Aufwand rechtfertigt, stellen die Autoren ALNS-TS mehreren gängigen Optimierungstechniken gegenüber, darunter eine einfache adaptive Suche, ein genetischer Algorithmus und Ameisenkolonie-Optimierung. Über eine Vielzahl von Testfällen hinweg findet die hybride Methode Routen mit geringeren Gesamtkosten und benötigt dabei nur moderat mehr Rechenzeit als einfachere Heuristiken. Praktisch bedeutet das, dass eine städtische Behörde hochwertige Routenpläne über Nacht oder sogar innerhalb eines täglichen Planungszyklus erstellen könnte, während sie explizit unsichere Müllmengen und gewählte Service-Standards berücksichtigt.

Was das für Stadtbewohner bedeutet

Für Nichtfachleute ist die Kernbotschaft, dass Müllabfuhr sowohl zuverlässiger als auch effizienter gestaltet werden kann, wenn man offen zugibt, dass Abfall unvorhersehbar ist, und die Planung darauf abstimmt. Anstatt so zu tun, als fülle jeder Behälter in einem festen Tempo, modelliert diese Arbeit für jeden Halt einen realistischen Bereich und erlaubt Stadtmanagern, selbst zu entscheiden, welches Risiko von Überlauf oder versäumter Abholung sie tolerieren wollen. Das Ergebnis sind Routen, die etwas mehr Kraftstoff und ein paar zusätzliche Fahrzeuge benötigen können, aber die Wahrscheinlichkeit ungesammelter Abfälle auf Gehwegen deutlich reduzieren. Kurz gesagt: Durch die Verknüpfung unscharfer Beschreibungen der Müllmengen mit fortgeschrittenen Routing-Algorithmen können Städte Straßen sauberer halten und ihre Ressourcen zugleich effizienter nutzen.

Zitation: Zhang, Y., Wei, Y., Zhang, B. et al. Fuzzy optimization of municipal solid waste collection routing under uncertain emissions. Sci Rep 16, 4857 (2026). https://doi.org/10.1038/s41598-026-35209-x

Schlüsselwörter: Routenplanung zur Abfallsammlung, kommunale Restabfälle, Unsicherheitsmodellierung, Fuzzy-Optimierung, heuristische Algorithmen