Studio comparativo di ACO, Dijkstra e NN sull'efficienza di instradamento nelle reti di raccolta rifiuti

Perché percorsi dei rifiuti più intelligenti contano

Dietro ogni camion della nettezza urbana che percorre la tua strada si nasconde un puzzle complesso: come visitare molti cassonetti e quartieri percorrendo il meno possibile. Con le città che generano miliardi di tonnellate di rifiuti e con i costi del carburante e le emissioni in aumento, anche piccoli miglioramenti nei percorsi possono far risparmiare denaro, ridurre l’inquinamento e alleviare il traffico. Questo articolo pone una domanda pratica per le città moderne: tra tre metodi popolari per calcolare i percorsi dei veicoli per la raccolta rifiuti, quale funziona davvero meglio quando le reti diventano più grandi e trafficati?

Tre modi per trovare una strada

Lo studio confronta tre famiglie di metodi di instradamento, ciascuna rispecchiando uno stile diverso di presa di decisione. Il primo, chiamato Ant Colony Optimization (ACO), si ispira a come le formiche reali depositano e seguono tracce di feromone: i percorsi promettenti vengono rinforzati nel tempo, mentre quelli meno efficaci svaniscono. Il secondo, l’algoritmo di Dijkstra, è una ricetta matematica classica che trova sempre il percorso più breve in una rete quando le condizioni sono fisse e note. Il terzo, l’approccio Nearest Neighbour, imita una rapida intuizione umana: da dove ti trovi, vai semplicemente al punto non visitato più vicino e poi ripeti. Tutti e tre sono applicati allo stesso tipo di mappa cittadina astratta, dove incroci e punti di raccolta rifiuti sono rappresentati come nodi connessi da strade il cui costo riflette distanza e congestione.

Costruire città virtuali per testare le idee

Invece di affidarsi a una singola città reale, gli autori costruiscono reti stradali sintetiche che assomigliano a tipiche configurazioni urbane. Queste reti sono rade, con ogni punto connesso a pochi altri, e includono una gamma di dimensioni da 10 fino a oltre 50 località per imitare da piccoli quartieri a vaste zone urbane. I tratti stradali portano costi "ponderati per la congestione", quindi strade più trafficate o più lunghe risultano più costose da percorrere. Su ognuna di queste mappe virtuali, i tre algoritmi sono incaricati di trovare percorsi a basso costo tra un punto di partenza e uno di arrivo scelti. Per mantenere il confronto equo, tutti e tre usano la stessa struttura di costo sottostante, e i metodi più casuali vengono eseguiti molte volte in modo che i ricercatori possano misurarne sia le prestazioni medie sia la variabilità.

Cosa rivelano i test diretti

I risultati mostrano uno schema chiaro. Su reti piccole, medie e grandi, l’ACO scopre in modo coerente percorsi con il costo totale medio più basso. Le sue "formiche" esplorano, imparano dall’esperienza e gradualmente si concentrano su percorsi meno costosi, caratteristica particolarmente preziosa quando le reti si allargano e i costi stradali diventano più disomogenei. L’algoritmo di Dijkstra è estremamente stabile: data la stessa mappa e gli stessi costi, restituisce sempre lo stesso percorso, con pochissima dispersione nei risultati. Tuttavia, quando si considerano costi ponderati per la congestione e configurazioni più complesse, i suoi percorsi risultano leggermente più costosi rispetto a quelli trovati da un ACO ben sintonizzato. Il metodo Nearest Neighbour è il più veloce nell’esecuzione ma ha le prestazioni peggiori: inseguendo sempre il punto più vicino, tende a trascurare scorciatoie più intelligenti a lungo termine e produce i percorsi più costosi e più inconsistenti.

Verificare che le differenze siano reali

Per assicurarsi che questi divari di prestazione non siano semplicemente frutto di variazione casuale, gli autori utilizzano uno strumento statistico noto come test dei ranghi con segno di Wilcoxon. Questo test confronta risultati appaiati degli algoritmi sulle stesse istanze di rete senza assumere che i dati seguano una curva a campana. In ogni dimensione della rete studiata, il test indica che i risparmi di costo dell’ACO rispetto a Dijkstra e Nearest Neighbour sono statisticamente significativi e non accidentali. Allo stesso tempo, le misure di dispersione evidenziano il compromesso tra stabilità e flessibilità: i percorsi di Dijkstra variano quasi per nulla, mentre gli esiti dell’ACO si spostano leggermente da esecuzione a esecuzione mentre esplora alternative prima di stabilizzarsi vicino ai percorsi migliori.

Cosa significa per le strade cittadine

Per i gestori cittadini, il messaggio dell’articolo è al tempo stesso pratico e intuitivo. Se la rete stradale è piccola e le condizioni sono abbastanza stabili, un metodo classico di percorso più breve come Dijkstra è semplice e affidabile. Quando le reti sono più vaste e congestione o altri costi variano nello spazio, un approccio ispirato alle formiche può ottenere percorsi sensibilmente più economici, anche se richiede più potenza di calcolo dietro le quinte. La strategia rapida e approssimativa del Nearest Neighbour, sebbene allettante per la sua velocità, lascia costantemente sul tavolo denaro e carburante. Nel complesso, lo studio fornisce una guida sperimentale: scegliere metodi deterministici per contesti piccoli e prevedibili, ma privilegiare l’ottimizzazione adattiva basata su sciami quando si pianifica una raccolta rifiuti efficiente e scalabile nelle città moderne e in crescita.

Citazione: Anitha, R., Parthiban, A. Comparative study of ACO, dijkstra, and NN for routing efficiency in waste collection networks. Sci Rep 16, 13346 (2026). https://doi.org/10.1038/s41598-026-42866-5

Parole chiave: raccolta rifiuti urbana, ottimizzazione dei percorsi, ant colony optimization, algoritmi del percorso più breve, logistica per città intelligenti