Otimização fuzzy do roteamento da coleta de resíduos sólidos municipais sob emissões incertas

Por que repensar as rotas do lixo é importante

Todo dia, cidades enviam frotas de caminhões de lixo em rotas cronometradas para manter as ruas limpas e os bairros habitáveis. Mas a quantidade de lixo que aparece em cada lixeira ou ponto de coleta pode variar muito por causa de feriados, tempestades, grandes eventos ou interrupções súbitas. Quando os planejadores urbanos assumem que os resíduos são perfeitamente previsíveis, os caminhões podem ficar sobrecarregados, fazer viagens extras ou deixar lixo para trás. Este estudo explora como projetar rotas de coleta mais inteligentes que explicitamente levam em conta essa incerteza, ajudando as cidades a economizar dinheiro enquanto mantêm um serviço confiável.

Realidades confusas por trás do lixo cotidiano

Os resíduos sólidos municipais vêm de residências, lojas, restaurantes, escritórios e espaços públicos. Globalmente, as pessoas geram agora mais de dois bilhões de toneladas desses resíduos por ano, com projeções de quase o dobro até 2050. Coletar e transportar esse material é uma das partes mais caras da gestão de resíduos, frequentemente respondendo por 60 a 70 por cento dos custos totais. Em muitas cidades, incluindo as estudadas aqui, os sistemas de coleta ficam atrás de plantas de tratamento modernas, tornando crucial extrair mais eficiência de caminhões, depósitos e rotas. O problema é que o volume de resíduos em cada ponto de coleta não é fixo, sendo moldado pelo comportamento humano e por eventos externos que são difíceis de prever com precisão.

De números fixos a expectativas fuzzy

A maior parte das pesquisas anteriores tratou a quantidade de resíduos em cada parada como um número fixo ou tentou ajustar uma curva de probabilidade precisa usando grandes quantidades de dados históricos. Ambas as abordagens enfrentam dificuldades na prática: dados detalhados muitas vezes são escassos, e suposições fixas ignoram as variações observadas nas operações reais. Este estudo, em vez disso, usa uma descrição "fuzzy" das emissões, construída em torno de números fuzzy trapezoidais. Em termos simples, cada ponto de coleta recebe uma faixa razoável de quantidades prováveis de resíduos, com uma banda central que é especialmente plausível, em vez de um único palpite. O modelo exige então que qualquer rota planejada tenha probabilidade suficientemente alta de permanecer dentro da capacidade de cada caminhão, de acordo com um nível de confiança escolhido pelos tomadores de decisão da cidade.

Projetando rotas com flexibilidade incorporada

Diante dessa imagem mais fuzzy, porém mais realista, decidir quais caminhões devem atender quais bairros torna-se um quebra-cabeça complexo com muitas respostas possíveis. Para enfrentá-lo, os autores constroem um modelo de otimização para uma cidade com várias estações de transbordo e muitos pontos de coleta, todos atendidos dentro de uma janela matinal restrita. Em seguida, elaboram um procedimento de busca especializado chamado ALNS-TS, que mistura uma busca de grande vizinhança adaptativa com um mecanismo de busca tabu. Na prática, o algoritmo repetidamente desmonta e reconstrói rotas candidatas, aprendendo quais mudanças tendem a reduzir custos enquanto usa uma memória de curto prazo para evitar ficar preso em padrões repetitivos ou subótimos. Isso permite explorar muitas opções de roteamento rapidamente, mesmo quando o problema subjacente é muito grande.

O que acontece quando a incerteza é respeitada

Usando conjuntos de dados de referência padrão, os pesquisadores comparam planos construídos sob duas suposições: uma em que o lixo em cada ponto é tratado como exatamente conhecido e outra em que segue as faixas fuzzy. Como esperado, rotas que ignoram a incerteza parecem mais baratas no papel: os caminhões percorrem menos quilômetros e são necessários menos veículos. Porém, uma vez que as emissões flutuantes são levadas a sério, quilometragem extra e caminhões adicionais tornam-se necessários para evitar sobrecargas e coletas falhadas. O estudo também mostra que níveis de confiança mais altos — ou seja, gestores urbanos menos dispostos a correr o risco de coletas perdidas — levam a custos operacionais progressivamente maiores. Por testes de sensibilidade, os autores identificam uma configuração de confiança intermediária que oferece alta confiabilidade sem despesa excessiva.

Algoritmos mais inteligentes para cidades mais limpas

Para verificar se seu método de solução vale o esforço, os autores confrontam o ALNS-TS com várias técnicas populares de otimização, incluindo uma busca adaptativa básica, um algoritmo genético e otimização por colônia de formigas. Ao longo de uma variedade de casos de teste, o método híbrido encontra rotas com custo total menor enquanto usa apenas um pouco mais de tempo computacional que heurísticas mais simples. Do ponto de vista prático, isso significa que uma agência municipal poderia gerar planos de roteamento de alta qualidade durante a noite ou mesmo dentro de um ciclo diário de planejamento, ao mesmo tempo em que considera explicitamente volumes de lixo incertos e padrões de serviço escolhidos.

O que isso significa para os moradores

Para não especialistas, a mensagem principal é que a coleta de lixo pode se tornar simultaneamente mais confiável e mais eficiente ao reconhecer abertamente que o lixo é imprevisível e planejar com base nessa realidade. Em vez de fingir que cada lixeira enche a uma taxa fixa, este trabalho modela uma faixa realista para cada ponto e permite que gestores municipais decidam quanta chance de transbordamento ou coleta perdida estão dispostos a tolerar. O resultado é um conjunto de rotas que pode usar um pouco mais de combustível e alguns caminhões a mais, mas que reduz fortemente as chances de resíduos não recolhidos se acumularem nas calçadas. Em suma, ao combinar descrições fuzzy dos níveis de lixo com algoritmos avançados de roteamento, as cidades podem manter as ruas mais limpas enquanto usam seus recursos com mais sabedoria.

Citação: 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

Palavras-chave: roteamento de coleta de resíduos, resíduos sólidos municipais, modelagem de incerteza, otimização fuzzy, algoritmos heurísticos