Оптимизация маршрутов в городской системе вывоза мусора с использованием дискретного кукушиного поиска с локальной донастройкой: гибридный метаэвристический подход

Более разумные маршруты для городских мусоровозов

Переполненные урны, шумные грузовики, застрявшие в пробках, и растущие счета за топливо — все это побочные эффекты современных способов сбора мусора в городах. По мере роста городского населения простое увеличение числа машин или частоты выездов обходится дорого и вредно для окружающей среды. В этом исследовании рассматривается новый способ планирования маршрутов мусоровозов, который позволяет опустошать те же урны, затрачивая значительно меньше километров, топлива и времени — помогая городам добиться более чистых улиц и сократить выбросы углерода без дорогостоящего нового оборудования.

Почему маршруты сбора мусора имеют значение

Современные города производят огромные объёмы твёрдых отходов, большая часть которых по-прежнему собирается по фиксированным графикам и при частично ручном планировании маршрутов. Это часто приводит к тому, что грузовики делают ненужные петли, пропускают одни урны и чрезмерно часто посещают другие, тратя топливо в пробках. Проблема не только логистическая: более длинные маршруты означают больше сожжённого топлива и больше выбросов парниковых газов. Одновременно установка и обслуживание электронных датчиков в тысячах урн дорого и технически сложно, особенно в плотных или малообеспеченных районах. Авторы утверждают, что для того, чтобы сделать сбор мусора эффективным и устойчивым, городам нужны методы планирования маршрутов, которые смогут работать с реалистично доступными данными.

Использование «глаз с неба» вместо датчиков

Вместо того чтобы оснащать каждую урну электроникой, исследователи обращаются к спутниковым снимкам и картографическим инструментам. Они используют Google Earth Engine и высокоразрешающие снимки Sentinel-2 для обнаружения местоположений городских урн на части Бангалора, крупного индийского города. Полуавтоматические методы обработки изображений выделяют характерные контуры урн, а простые геометрические правила отфильтровывают очевидные ложные срабатывания. В итоге получается карта 232 подтверждённых точек-урн, каждая из которых представлена географическими координатами. Эта карта становится отправной точкой для планирования передвижения грузовиков: каждая урна — это остановка, которую нужно посетить, а главная задача — найти маршруты, покрывающие все точки с минимальным пробегом и сопутствующими издержками.

Планировщик маршрутов, вдохновлённый природой

Для решения этой задачи в работе предложен новый метод — локально оптимизированный дискретный кукушиний поиск (LO-DCS). Он вдохновлён поведением кукушек, подкладывающих яйца в чужие гнёзда, и тем, как в природе исследуются и отбираются множество вариантов. В алгоритме каждый возможный маршрут трактуется как кандидатное «гнездо». Метод переставляет порядок посещения урн контролируемым образом, исследуя разные варианты маршрутов. Простая, но мощная операция улучшения многократно меняет местами пары сегментов пути, чтобы проверить, сокращается ли общая дистанция, устраняя ненужные возвраты и пересечения. Поскольку город большой, алгоритм сначала группирует близко расположенные урны в кластеры, а затем оптимизирует каждый кластер отдельно — это делает поиск управляемым, при этом покрывая всю зону обслуживания.

Насколько хорошо работает новый метод

Исследователи проверяют LO-DCS на наборе данных Бангалора и сравнивают его с рядом известных инструментов планирования, включая генетические алгоритмы, методы роя частиц и другие современные поисковые техники. Каждый метод запускается многократно в одинаковых условиях, чтобы оценить среднюю эффективность и стабильность. По трём кластерам урн новый подход сокращает пробег с более чем 400 километров в наивной, не оптимизированной схеме до менее 70 километров на кластер после оптимизации. Это соответствует среднему улучшению примерно на 85% по ключевым показателям — дистанция, расход топлива, выбросы углерода и время поездки — по сравнению с неоптимизированными маршрутами. По сравнению с другими продвинутыми алгоритмами LO-DCS по-прежнему показывает примерно 78% улучшения в среднем. Статистические тесты подтверждают, что эти достижения не случайны, а проверки на точных математических решениях для меньших задач показывают, что полученные маршруты очень близки к истинно оптимальным.

Что это означает для повседневной жизни в городе

Проще говоря, исследование показывает, что города могут заставить мусоровозы ездить по куда более разумным маршрутам, используя лишь данные о местоположении, полученные из изображений, и грамотно спроектированный алгоритм планирования. Без установки датчиков в каждую урну муниципальные службы могут сократить пробег машин, уменьшить бюджет на топливо и снизить выбросы углерода, одновременно поддерживая чистоту улиц. Хотя метод не гарантирует математически идеальные маршруты и всё ещё опирается на статичные координаты урн, он предлагает практичный и масштабируемый отправной пункт, который впоследствии можно сочетать с данными о трафике или заполненности урн в реальном времени. Для жителей это означает меньше шума и пробок из‑за грузовиков и меньший экологический след — всего этого можно достичь за счёт лучшего использования информации и умной оптимизации, а не крупной новой инфраструктуры.

Цитирование: 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

Ключевые слова: сбор городских отходов, оптимизация маршрутов, метаэвристические алгоритмы, умные города, устойчивая логистика