Ottimizzazione fuzzy del routing della raccolta dei rifiuti solidi urbani sotto emissioni incerte

Perché ripensare i percorsi dei rifiuti è importante

Ogni giorno le città inviano flotte di camion della nettezza urbana su percorsi cronometrati affinché le strade restino pulite e i quartieri vivibili. Ma la quantità di rifiuti che arriva a ogni cassonetto o punto di raccolta può oscillare notevolmente in occasione di festività, tempeste, grandi eventi o improvvisi disservizi. Quando i pianificatori urbani assumono che i rifiuti siano perfettamente prevedibili, i camion possono ritrovarsi sovraccarichi, compiere viaggi extra o lasciare rifiuti indietro. Questo studio esplora come progettare percorsi di raccolta più intelligenti che tengano esplicitamente conto di tale incertezza, aiutando le città a risparmiare denaro mantenendo al contempo un servizio affidabile.

Realtà disordinate dietro i rifiuti di tutti i giorni

I rifiuti solidi urbani provengono da abitazioni, negozi, ristoranti, uffici e spazi pubblici. A livello globale, oggi si producono oltre due miliardi di tonnellate di questi rifiuti ogni anno, con proiezioni che quasi raddoppiano entro il 2050. La raccolta e il trasporto di questo materiale sono una delle voci di costo più rilevanti nella gestione dei rifiuti, spesso pari al 60–70 percento dei costi totali. In molte città, comprese quelle studiate qui, i sistemi di raccolta rimangono indietro rispetto agli impianti di trattamento moderni, rendendo cruciale ottenere maggiore efficienza da camion, depositi e percorsi. Il punto critico è che il volume di rifiuti a ogni punto di prelievo non è fisso, ma è determinato dal comportamento umano e da eventi esterni difficili da prevedere con precisione.

Da numeri fissi a aspettative fuzzy

La maggior parte delle ricerche precedenti trattava la quantità di rifiuti a ciascuna fermata come un valore fisso o tentava di adattare una curva di probabilità precisa usando grandi quantità di dati storici. Entrambi gli approcci faticano nella pratica: i dati dettagliati sono spesso scarsi e le assunzioni fisse ignorano le oscillazioni osservate nelle operazioni reali. Questo studio utilizza invece una descrizione “fuzzy” delle emissioni, costruita attorno a numeri fuzzy trapezoidali. In parole semplici, a ogni fermata viene assegnato un intervallo ragionevole di quantità probabili di rifiuti, con una fascia centrale particolarmente plausibile invece di un unico valore migliore. Il modello richiede quindi che qualsiasi percorso pianificato abbia una probabilità sufficientemente alta di rimanere entro la capacità di ciascun camion, secondo un livello di confidenza scelto dai decisori della città.

Progettare percorsi con flessibilità integrata

Con questo quadro più fuzzy ma più realistico, decidere quali camion debbano servire quali quartieri diventa un puzzle complesso con molte possibili soluzioni. Per affrontarlo, gli autori costruiscono un modello di ottimizzazione per una città con diverse stazioni di trasferimento e numerosi punti di raccolta, tutti serviti entro una finestra temporale mattutina ristretta. Poi sviluppano una procedura di ricerca specializzata chiamata ALNS-TS, che miscela un adaptive large neighborhood search con un meccanismo di tabu search. In sostanza, l’algoritmo smonta e ricostruisce ripetutamente percorsi candidati, imparando quali modifiche tendono a ridurre i costi e usando una memoria a breve termine per evitare di restare bloccato in schemi ripetitivi o subottimali. Questo gli consente di esplorare rapidamente molte opzioni di instradamento, anche quando il problema sottostante è molto grande.

Cosa accade quando si rispetta l'incertezza

Utilizzando dataset di riferimento standard, i ricercatori confrontano piani costruiti secondo due assunti: uno in cui la quantità di rifiuti in ogni punto è trattata come esattamente nota e uno in cui segue gli intervalli fuzzy. Come previsto, i percorsi che ignorano l’incertezza sembrano più economici sulla carta: i camion percorrono meno chilometri e servono meno veicoli. Tuttavia, una volta che si prendono sul serio le emissioni fluttuanti, diventano necessari chilometraggi extra e ulteriori camion per evitare sovraccarichi e raccolte fallite. Lo studio mostra inoltre che livelli di confidenza più elevati — cioè quando i gestori urbani sono meno disposti a rischiare raccolte mancate — portano a costi operativi costantemente maggiori. Attraverso test di sensibilità, gli autori individuano un’impostazione di confidenza intermedia che offre forte affidabilità senza spese eccessive.

Algoritmi più intelligenti per città più pulite

Per verificare se il loro metodo di soluzione valga lo sforzo, gli autori confrontano ALNS-TS con diverse tecniche di ottimizzazione popolari, tra cui una ricerca adattiva di base, un algoritmo genetico e l’ottimizzazione a colonia di formiche. In una varietà di casi di test, il metodo ibrido trova percorsi a costo totale inferiore pur utilizzando solo moderatamente più tempo di calcolo rispetto a euristiche più semplici. Dal punto di vista pratico, questo significa che un ente cittadino potrebbe generare piani di instradamento di alta qualità durante la notte o anche nell’arco di un ciclo di pianificazione giornaliero, tenendo esplicitamente conto dei volumi di rifiuti incerti e degli standard di servizio scelti.

Cosa significa questo per i cittadini

Per i non specialisti, il messaggio principale è che la raccolta dei rifiuti può diventare sia più affidabile sia più efficiente ammettendo apertamente che i rifiuti sono imprevedibili e pianificando in funzione di questo fatto. Invece di fingere che ogni cassonetto si riempia a ritmo costante, questo lavoro modella un intervallo realistico per ogni fermata e lascia che i gestori decidano quanta rischiosità di trabocco o raccolta mancata sono disposti a tollerare. Il risultato è un insieme di percorsi che può consumare un po’ più di carburante e qualche camion in più ma che riduce nettamente le probabilità che rifiuti non raccolti si accumulino sui marciapiedi. In breve, combinando descrizioni fuzzy dei livelli di rifiuti con algoritmi avanzati di instradamento, le città possono mantenere le strade più pulite usando le risorse in modo più saggio.

Citazione: 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

Parole chiave: instradamento raccolta rifiuti, rifiuti solidi urbani, modellazione dell'incertezza, ottimizzazione fuzzy, algoritmi euristici