Optimización difusa de rutas de recogida de residuos sólidos municipales bajo incertidumbre en las emisiones

Por qué importa repensar las rutas de basura

Cada día, las ciudades despliegan flotas de camiones de basura con rutas estrictamente programadas para mantener las calles limpias y los barrios habitables. Pero la cantidad de residuos que aparece en cada contenedor o punto de recogida puede variar mucho por festividades, tormentas, grandes eventos o interrupciones inesperadas. Cuando los planificadores urbanos asumen que los residuos son perfectamente predecibles, los camiones pueden acabar sobrecargados, realizando viajes adicionales o dejando basura sin recoger. Este estudio explora cómo diseñar rutas de recogida más inteligentes que incorporen explícitamente esa incertidumbre, ayudando a las ciudades a ahorrar dinero y a mantener un servicio fiable.

Realidades desordenadas detrás de la basura cotidiana

Los residuos sólidos municipales proceden de hogares, comercios, restaurantes, oficinas y espacios públicos. A nivel mundial, las personas generan hoy más de dos mil millones de toneladas de este tipo de residuos cada año, con proyecciones de casi el doble para 2050. La recogida y el transporte de este material son una de las partes más costosas de la gestión de residuos, a menudo representan entre el 60 y el 70 por ciento del coste total. En muchas ciudades, incluidas las estudiadas aquí, los sistemas de recogida están por detrás de las plantas de tratamiento modernas, por lo que es crucial extraer más eficiencia de camiones, depósitos y rutas. El problema es que el volumen de residuos en cada punto de recogida no es fijo, sino que está influido por el comportamiento humano y por acontecimientos externos que son difíciles de predecir con precisión.

De números fijos a expectativas difusas

La mayoría de investigaciones previas trató la cantidad de residuos en cada parada como un número fijo o intentó ajustar una curva de probabilidad precisa usando grandes cantidades de datos históricos. Ambos enfoques presentan dificultades en la práctica: los datos detallados suelen ser escasos y las suposiciones fijas ignoran las fluctuaciones observadas en las operaciones reales. Este estudio, en cambio, utiliza una descripción "difusa" de las emisiones, construida alrededor de números difusos trapezoidales. En términos sencillos, a cada parada se le asigna un rango razonable de cantidades probables de residuos, con una banda central que es especialmente plausible en lugar de una única mejor estimación. El modelo exige entonces que cualquier ruta planificada tenga una probabilidad suficientemente alta de mantenerse dentro de la capacidad de cada camión, según un nivel de confianza elegido por los responsables municipales.

Diseñar rutas con flexibilidad integrada

Dada esta imagen más difusa pero realista, decidir qué camiones deben servir a qué barrios se convierte en un rompecabezas complejo con muchas soluciones posibles. Para abordarlo, los autores construyen un modelo de optimización para una ciudad con varias estaciones de transferencia y numerosos puntos de recogida, todos atendidos dentro de una estrecha franja horaria matinal. A continuación diseñan un procedimiento de búsqueda especializado llamado ALNS-TS, que combina una búsqueda de vecindario grande adaptativa con un mecanismo de búsqueda tabú. En esencia, el algoritmo descompone y reconstruye repetidamente rutas candidatas, aprendiendo qué cambios tienden a reducir el coste mientras utiliza una memoria a corto plazo para evitar quedarse atrapado en patrones repetitivos o subóptimos. Esto le permite explorar rápidamente muchas opciones de ruteo, incluso cuando el problema subyacente es muy grande.

Qué sucede cuando se respeta la incertidumbre

Usando conjuntos de datos de referencia estándar, los investigadores comparan planes construidos bajo dos supuestos: uno en el que la cantidad de residuos en cada punto se trata como exactamente conocida y otro en el que sigue los rangos difusos. Como era de esperar, las rutas que ignoran la incertidumbre parecen más baratas en el papel: los camiones recorren menos kilómetros y se necesitan menos vehículos. Sin embargo, una vez que se toman en serio las emisiones variables, son necesarios más kilómetros y vehículos adicionales para evitar sobrecargas y recogidas fallidas. El estudio también muestra que niveles de confianza más altos —es decir, que los gestores municipales están menos dispuestos a arriesgarse a recogidas fallidas— conducen a costes operativos crecientes. Mediante pruebas de sensibilidad, los autores identifican un ajuste intermedio del nivel de confianza que ofrece una fiabilidad sólida sin un gasto excesivo.

Algoritmos más inteligentes para ciudades más limpias

Para comprobar si su método de solución merece la pena, los autores enfrentan ALNS-TS a varias técnicas de optimización populares, incluida una búsqueda adaptativa básica, un algoritmo genético y la optimización por colonia de hormigas. En una variedad de casos de prueba, el método híbrido encuentra rutas con menor coste total usando solo un tiempo de cálculo modestamente superior al de heurísticas más simples. Desde una perspectiva práctica, esto significa que una agencia municipal podría generar planes de ruteo de alta calidad durante la noche o incluso dentro de un ciclo de planificación diario, teniendo en cuenta de forma explícita los volúmenes de basura inciertos y los estándares de servicio elegidos.

Qué significa esto para los residentes urbanos

Para los no especialistas, el mensaje principal es que la recogida de basura puede volverse tanto más fiable como más eficiente si se admite abiertamente que los residuos son impredecibles y se planifica en torno a ese hecho. En lugar de fingir que cada contenedor se llena a un ritmo fijo, este trabajo modela un rango realista para cada parada y permite a los gestores municipales decidir cuánto riesgo de desbordamiento o de recogida fallida están dispuestos a tolerar. El resultado es un conjunto de rutas que puede consumir un poco más de combustible y algunos camiones adicionales, pero que reduce drásticamente las probabilidades de que la basura no recogida se acumule en las aceras. En resumen, al combinar descripciones difusas de los niveles de residuos con algoritmos avanzados de ruteo, las ciudades pueden mantener las calles más limpias usando sus recursos de forma más eficiente.

Cita: 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

Palabras clave: ruteo de recogida de residuos, residuos sólidos municipales, modelado de incertidumbre, optimización difusa, algoritmos heurísticos