Optimisation floue des itinéraires de collecte des déchets solides municipaux sous émissions incertaines

Pourquoi repenser les tournées de collecte importe

Tous les jours, les villes envoient des flottes de camions poubelles sur des tournées minutées pour garder les rues propres et les quartiers agréables à vivre. Mais la quantité de déchets qui s’accumule à chaque bac ou point de collecte peut varier fortement selon les fêtes, les tempêtes, les grands événements ou des perturbations soudaines. Lorsque les planificateurs urbains partent du principe que les volumes de déchets sont parfaitement prévisibles, les camions peuvent se retrouver surchargés, effectuer des trajets supplémentaires ou laisser des déchets derrière eux. Cette étude examine comment concevoir des tournées de collecte plus intelligentes qui tiennent explicitement compte de cette incertitude, afin d’aider les villes à économiser tout en maintenant un service fiable.

Réalités désordonnées derrière la collecte quotidienne

Les déchets solides municipaux proviennent des foyers, des commerces, des restaurants, des bureaux et des espaces publics. À l’échelle mondiale, les populations produisent aujourd’hui plus de deux milliards de tonnes de ces déchets chaque année, et les projections prévoient presque le double d’ici 2050. La collecte et le transport de ces matériaux constituent l’un des postes les plus coûteux de la gestion des déchets, représentant souvent 60 à 70 pour cent des coûts totaux. Dans de nombreuses villes, y compris celles étudiées ici, les systèmes de collecte sont en retard par rapport aux installations de traitement modernes, ce qui rend crucial d’extraire davantage d’efficacité des camions, des dépôts et des itinéraires. Le problème est que le volume de déchets à chaque point de ramassage n’est pas fixe, mais influencé par les comportements humains et des événements extérieurs difficiles à prévoir avec précision.

Des nombres fixes à des attentes floues

La plupart des travaux précédents traitaient la quantité de déchets à chaque arrêt comme un nombre fixe ou cherchaient à ajuster une courbe de probabilité précise en utilisant de grandes quantités de données historiques. Les deux approches peinent en pratique : les données détaillées sont souvent rares, et les hypothèses fixes ignorent les variations observées en conditions réelles. Cette étude utilise plutôt une description « floue » des émissions, fondée sur des nombres flous trapézoïdaux. Concrètement, chaque arrêt se voit attribuer une fourchette raisonnable de volumes probables, avec une bande centrale particulièrement vraisemblable au lieu d’une unique estimation. Le modèle exige ensuite que toute tournée planifiée ait une probabilité suffisante de rester dans la capacité de chaque camion, selon un niveau de confiance choisi par les décideurs de la ville.

Concevoir des itinéraires avec de la flexibilité intégrée

Avec cette image plus floue mais plus réaliste, décider quels camions desservent quels quartiers devient un casse-tête complexe aux nombreuses solutions possibles. Pour y faire face, les auteurs construisent un modèle d’optimisation pour une ville dotée de plusieurs postes de transfert et de nombreux points de collecte, tous desservis dans une étroite fenêtre matinale. Ils élaborent ensuite une procédure de recherche spécialisée appelée ALNS-TS, qui combine une recherche adaptative sur de grands voisinages et un mécanisme de recherche tabou. En substance, l’algorithme détruit et reconstruit à plusieurs reprises des itinéraires candidats, apprenant quelles modifications tendent à réduire les coûts tout en utilisant une mémoire à court terme pour éviter de s’enfermer dans des schémas répétitifs ou médiocres. Cela lui permet d’explorer rapidement de nombreuses options d’itinéraires, même lorsque le problème sous-jacent est très large.

Que se passe-t-il quand l’incertitude est prise en compte

En utilisant des jeux de données de référence standard, les chercheurs comparent des plans construits sous deux hypothèses : l’une où les volumes à chaque point sont traités comme exactement connus, et l’autre où ils suivent les plages floues. Comme prévu, les itinéraires qui ignorent l’incertitude paraissent moins coûteux sur le papier : les camions parcourent moins de kilomètres et moins de véhicules sont nécessaires. Cependant, une fois que les émissions fluctuantes sont prises au sérieux, des kilomètres supplémentaires et des véhicules additionnels deviennent nécessaires pour éviter les surcharges et les collectes échouées. L’étude montre aussi que des niveaux de confiance plus élevés — c’est-à-dire des gestionnaires municipaux moins disposés à risquer des collectes manquées — entraînent des coûts d’exploitation sensiblement plus élevés. Grâce à des tests de sensibilité, les auteurs identifient un niveau de confiance intermédiaire qui offre une forte fiabilité sans dépenses excessives.

Des algorithmes plus intelligents pour des villes plus propres

Pour vérifier si leur méthode mérite l’effort, les auteurs confrontent ALNS-TS à plusieurs techniques d’optimisation courantes, dont une recherche adaptative basique, un algorithme génétique et l’optimisation par colonies de fourmis. Sur une variété de cas de test, la méthode hybride trouve des itinéraires à coût total inférieur tout en n’utilisant qu’un peu plus de temps de calcul que des heuristiques plus simples. D’un point de vue pratique, cela signifie qu’une agence municipale pourrait générer des plans de tournée de haute qualité pendant la nuit ou même dans le cadre d’un cycle de planification quotidien, tout en tenant explicitement compte des volumes de déchets incertains et des niveaux de service choisis.

Ce que cela signifie pour les habitants

Pour les non-spécialistes, le message principal est que la collecte des déchets peut devenir à la fois plus fiable et plus efficace en reconnaissant ouvertement que les volumes sont imprévisibles et en planifiant en conséquence. Plutôt que de faire comme si chaque bac se remplissait à un rythme fixe, ce travail modélise une fourchette réaliste pour chaque arrêt et laisse aux gestionnaires municipaux la décision du niveau de risque d’overflow ou de collecte manquée qu’ils sont prêts à tolérer. Le résultat est un ensemble d’itinéraires qui peuvent consommer un peu plus de carburant et mobiliser quelques camions supplémentaires, mais qui réduisent fortement les risques de déchets non collectés s’accumulant sur les trottoirs. En bref, en assortissant des descriptions floues des niveaux de déchets à des algorithmes de routage avancés, les villes peuvent garder leurs rues plus propres tout en utilisant leurs ressources plus judicieusement.

Citation: 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

Mots-clés: itinéraires de collecte des déchets, déchets solides municipaux, modélisation de l'incertitude, optimisation floue, algorithmes heuristiques