Optimisation des tournées de collecte des déchets urbains via une recherche du coucou discrète localement ajustée : une approche métaheuristique hybride

Itinéraires plus intelligents pour les camions-poubelles urbains

Poubelles débordantes, camions bruyants coincés dans les embouteillages et factures de carburant en hausse sont autant d’effets secondaires des méthodes actuelles de collecte des déchets en milieu urbain. À mesure que la population des villes augmente, ajouter simplement plus de camions ou multiplier les tournées revient cher et pollue davantage. Cette étude explore une nouvelle façon de planifier les tournées de collecte afin que les mêmes conteneurs soient vidés en consommant beaucoup moins de distance parcourue, de carburant et de temps — aidant ainsi les villes à obtenir des rues plus propres et des émissions de carbone réduites sans matériel neuf coûteux.

Pourquoi les itinéraires de collecte comptent

Les villes modernes génèrent d’importantes quantités de déchets solides, dont une grande partie est encore collectée selon des horaires fixes et une planification des trajets en grande partie manuelle. Cela conduit souvent les camions à effectuer des boucles redondantes, à manquer certains conteneurs tout en revenant trop fréquemment sur d’autres, et à gaspiller du carburant dans la circulation. Le problème n’est pas que logistique : il a aussi des conséquences environnementales, car des itinéraires plus longs signifient davantage de carburant brûlé et plus de gaz à effet de serre émis. Parallèlement, installer et maintenir des capteurs électroniques dans des milliers de bacs est coûteux et techniquement difficile, notamment dans les quartiers denses ou à faibles ressources. Les auteurs soutiennent que pour rendre la collecte des déchets à la fois efficace et durable, les villes ont besoin de meilleures méthodes de planification des itinéraires qui fonctionnent avec des données qu’elles peuvent raisonnablement obtenir.

Utiliser des yeux dans le ciel au lieu de capteurs

Plutôt que d’équiper chaque bac d’un système électronique, les chercheurs se tournent vers l’imagerie satellitaire et les outils cartographiques. Ils utilisent Google Earth Engine et des images Sentinel-2 à haute résolution pour repérer les emplacements des poubelles publiques sur une partie de Bengaluru, une grande ville indienne. Des techniques de traitement d’image semi-automatiques mettent en évidence les formes probables de bacs, et des règles géométriques simples filtrent les faux positifs évidents. Le résultat final est une carte de 232 emplacements de bacs vérifiés, chacun représenté par un point avec des coordonnées géographiques. Cette carte devient le point de départ pour planifier les déplacements des camions : chaque bac est un arrêt qui doit être visité, et le défi central consiste à trouver des itinéraires couvrant tous les bacs tout en minimisant la distance parcourue et les coûts associés.

Un planificateur d’itinéraires inspiré par la nature

Pour résoudre ce casse-tête, l’étude introduit une nouvelle méthode informatique appelée Recherche du Cucu Discrète Localement Optimisée (LO-DCS). Elle s’inspire du comportement des coucous, qui pondent leurs œufs dans le nid d’autres oiseaux, et de la façon dont la nature explore et sélectionne de nombreuses possibilités. Dans l’algorithme, chaque itinéraire possible pour un camion est traité comme un « nid » candidat. La méthode mélange l’ordre de visite des bacs de façon contrôlée, explorant différents schémas d’itinéraires. Une étape d’amélioration simple mais puissante échange à plusieurs reprises des paires de segments de route pour voir si la distance totale peut être réduite, supprimant les retours inutiles et les croisements. Comme la zone urbaine est vaste, l’algorithme regroupe d’abord les bacs proches en grappes, puis optimise chaque groupe séparément, ce qui rend la recherche gérable tout en couvrant l’ensemble de la zone desservie.

Performances de la nouvelle méthode

Les chercheurs testent LO-DCS sur le jeu de données de Bengaluru et le comparent à plusieurs outils de planification bien connus, notamment les algorithmes génétiques, les méthodes d’essaim particulaire et d’autres techniques de recherche récentes. Ils exécutent chaque méthode de nombreuses fois dans les mêmes conditions pour vérifier à la fois les performances moyennes et la cohérence. Sur trois grappes de bacs, la nouvelle approche réduit la distance parcourue de plus de 400 kilomètres dans une configuration naïve non optimisée à moins de 70 kilomètres par grappe après optimisation. Cela se traduit par des améliorations moyennes d’environ 85 % sur des indicateurs clés — distance, consommation de carburant, émissions de carbone et temps de trajet — par rapport aux itinéraires non planifiés. Par rapport aux autres algorithmes avancés, LO-DCS affiche toujours environ 78 % de meilleure performance en moyenne. Des tests statistiques confirment que ces gains ne sont pas le fruit du hasard, et des vérifications détaillées avec des solveurs mathématiques exacts sur des problèmes plus petits montrent que les itinéraires sont très proches du meilleur optimum possible.

Ce que cela signifie pour la vie quotidienne en ville

En termes simples, l’étude montre que les villes peuvent faire circuler les camions-collecteurs sur des itinéraires beaucoup plus intelligents en utilisant uniquement des données de localisation extraites d’images et un algorithme de planification bien conçu. Sans installer de capteurs dans chaque bac, les services municipaux peuvent réduire le kilométrage des camions, diminuer les budgets carburant et abaisser les émissions de carbone tout en maintenant des rues plus propres. Bien que la méthode ne garantisse pas des itinéraires mathématiquement parfaits et repose encore sur des emplacements de bacs statiques, elle fournit un point de départ pratique et évolutif qui peut ensuite être combiné avec des données en temps réel sur le trafic ou le niveau de remplissage. Pour les habitants, l’impact se traduirait par moins de bruit et d’encombrement causés par les camions et une empreinte environnementale plus faible, le tout obtenu par une meilleure utilisation de l’information et une optimisation intelligente plutôt que par des infrastructures majeures nouvelles.

Citation: Goswami, A., N. V., P., P., P. et al. Route optimization in urban waste management using locally adjusted discrete cuckoo search: a hybrid metaheuristic approach. Sci Rep 16, 10097 (2026). https://doi.org/10.1038/s41598-026-40208-z

Mots-clés: collecte des déchets urbains, optimisation des itinéraires, algorithmes métaheuristiques, villes intelligentes, logistique durable