Rozmyta optymalizacja tras zbiórki odpadów komunalnych przy niepewnych emisjach

Dlaczego warto przemyśleć trasy wywozu śmieci

Codziennie miasta wypuszczają floty śmieciarek na ściśle zaplanowane trasy, aby ulice pozostawały czyste, a sąsiedztwa — znośne do życia. Jednak ilość odpadów pojawiająca się przy każdym pojemniku lub punkcie zbiórki może znacznie się zmieniać w zależności od świąt, burz, dużych wydarzeń czy nagłych zakłóceń. Gdy planiści zakładają, że odpady są całkowicie przewidywalne, pojazdy mogą się przeładowywać, wykonywać dodatkowe kursy lub zostawiać śmieci. Badanie to pokazuje, jak projektować mądrzejsze trasy zbiórki uwzględniające taką niepewność, pomagając miastom oszczędzać pieniądze przy zachowaniu rzetelnej obsługi.

Złożona rzeczywistość kryjąca się za codziennymi odpadami

Odpady komunalne pochodzą z domów, sklepów, restauracji, biur i przestrzeni publicznych. Globalnie ludzie wytwarzają obecnie ponad dwa miliardy ton takich odpadów rocznie, a prognozy mówią o niemal dwukrotnym wzroście do 2050 r. Zbieranie i transport tych materiałów to jedna z najdroższych części gospodarki odpadami, często stanowiąca 60–70 procent całkowitych kosztów. W wielu miastach, także tych objętych badaniem, systemy zbiórki pozostają w tyle za nowoczesnymi zakładami przetwarzania, dlatego kluczowe jest uzyskanie większej wydajności od pojazdów, baz i tras. Problem w tym, że objętość odpadów w każdym punkcie odbioru nie jest stała, lecz zależy od zachowań ludzkich i zdarzeń zewnętrznych, które trudno precyzyjnie prognozować.

Od stałych liczb do rozmytych oczekiwań

Większość wcześniejszych badań traktowała ilość odpadów na każdym przystanku jako stałą wartość lub próbowała dopasować dokładny rozkład prawdopodobieństwa na podstawie dużych zbiorów danych historycznych. Oba podejścia zawodzą w praktyce: szczegółowe dane często są ograniczone, a stałe założenia ignorują wahania obserwowane podczas rzeczywistej eksploatacji. Niniejsze badanie wykorzystuje zamiast tego „rozmyty” opis emisji oparty na trapezoidalnych liczbach rozmytych. Mówiąc prościej, każdemu punktowi przypisuje się rozsądny przedział prawdopodobnych ilości odpadów, z centralnym pasmem będącym szczególnie prawdopodobnym, zamiast jednej najlepszej wartości. Model wymaga wtedy, aby zaplanowana trasa miała wystarczająco wysokie prawdopodobieństwo zmieszczenia się w ładowności każdej śmieciarki, zgodnie z poziomem pewności wybranym przez decydentów miasta.

Projektowanie tras z wbudowaną elastycznością

Przy takim mniej precyzyjnym, lecz realistyczniejszym obrazie, decyzja o tym, które samochody mają obsługiwać które dzielnice, staje się skomplikowaną łamigłówką z wieloma możliwymi rozwiązaniami. Aby się z nią uporać, autorzy budują model optymalizacyjny dla miasta z kilkoma stacjami przeładunkowymi i wieloma punktami zbiórki, obsługiwanymi w wąskim porannym oknie czasowym. Następnie opracowują specjalizowaną procedurę poszukiwania nazwaną ALNS-TS, łączącą adaptacyjne przeszukiwanie dużych sąsiedztw z mechanizmem tabu. W praktyce algorytm wielokrotnie rozpada i odtwarza kandydackie trasy, ucząc się, które zmiany zwykle obniżają koszty, przy użyciu krótkoterminowej pamięci, by unikać utknięcia w powtarzalnych lub suboptymalnych wzorcach. Pozwala to szybko eksplorować wiele opcji trasowych, nawet gdy problem jest bardzo rozbudowany.

Co się dzieje, gdy szanujemy niepewność

Na standardowych zestawach referencyjnych badacze porównują plany opracowane pod dwoma założeniami: jedno traktuje ilość odpadów w każdym punkcie jako dokładnie znaną, drugie — jako mieszczącą się w rozmytych przedziałach. Jak można oczekiwać, trasy ignorujące niepewność wyglądają taniej „na papierze”: pojazdy pokonują mniej kilometrów i potrzeba ich mniej. Jednak po uwzględnieniu zmiennych emisji konieczne stają się dodatkowe przebiegi i więcej pojazdów, aby uniknąć przeładowań i nieudanych zbiórek. Badanie pokazuje również, że wyższe poziomy pożądanej pewności — czyli mniejsze skłonności menedżerów miasta do ryzykowania pominiętych odbiorów — prowadzą do rosnących kosztów operacyjnych. W testach czułości autorzy identyfikują kompromisowy poziom pewności, który zapewnia solidną niezawodność bez nadmiernych wydatków.

Mądrzejsze algorytmy dla czystszych miast

Aby sprawdzić, czy ich metoda jest warta wysiłku, autorzy porównują ALNS-TS z kilkoma popularnymi technikami optymalizacyjnymi, w tym podstawowym adaptacyjnym przeszukiwaniem, algorytmem genetycznym i optymalizacją rojową. W różnych przypadkach testowych metoda hybrydowa znajduje trasy o niższych kosztach całkowitych, przy użyciu jedynie nieznacznie większego czasu obliczeń niż prostsze heurystyki. Z praktycznego punktu widzenia oznacza to, że agencja miejska mogłaby wygenerować wysokiej jakości plany tras w ciągu nocy lub nawet w ramach codziennego cyklu planistycznego, explicite uwzględniając niepewne ilości odpadów i ustalone standardy obsługi.

Co to oznacza dla mieszkańców miast

Dla osób niezajmujących się tematem główny przekaz jest taki, że zbiórka odpadów może być zarówno bardziej niezawodna, jak i bardziej efektywna, jeśli otwarcie przyzna się, że ilość śmieci jest nieprzewidywalna, i zaplanuje się pracę wokół tej prawdy. Zamiast udawać, że każdy kosz napełnia się w stałym tempie, praca ta modeluje realistyczny przedział dla każdego przystanku i pozwala menedżerom miejskim zdecydować, jaką ryzyko przepełnienia lub pominiętego odbioru są skłonni zaakceptować. Efektem są trasy, które mogą zużywać nieco więcej paliwa i wymagać kilku dodatkowych pojazdów, ale znacznie zmniejszają ryzyko pozostawienia nieodebranych odpadów na chodnikach. Krótko mówiąc, łącząc rozmyty opis poziomów odpadów z zaawansowanymi algorytmami trasowania, miasta mogą utrzymać czystsze ulice przy mądrzejszym wykorzystaniu zasobów.

Cytowanie: 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

Słowa kluczowe: planowanie tras zbiórki odpadów, odpady komunalne, modelowanie niepewności, optymalizacja rozmyta, algorytmy heurystyczne