Fuzzyoptimering av insamlingsrutter för kommunalt fast avfall under osäkra utsläpp

Varför det spelar roll att ompröva sophämtningen

Varje dag skickar städer ut flottor av sopbilar på tajt tidssatta rutter för att hålla gator rena och kvarter trivsamma. Men mängden avfall som dyker upp vid varje kärl eller uppsamlingspunkt kan variera kraftigt vid helger, oväder, stora evenemang eller plötsliga störningar. När stadsplanerare antar att avfallet är helt förutsägbart kan bilar bli överlastade, tvingas köra extra turer eller lämna sopor bakom sig. Denna studie undersöker hur man kan utforma smartare insamlingsrutter som uttryckligen tar hänsyn till sådan osäkerhet, så att städer kan spara pengar samtidigt som servicen hålls pålitlig.

Röriga realiteter bakom vardagens sopor

Kommunalt fast avfall kommer från hem, butiker, restauranger, kontor och offentliga platser. Globalt genererar människor nu mer än två miljarder ton sådant avfall årligen, med prognoser som nästan fördubblar den mängden till 2050. Insamling och transport av detta material är en av de dyraste delarna av avfallshanteringen och står ofta för 60 till 70 procent av de totala kostnaderna. I många städer, inklusive de som studerats här, ligger insamlingssystemen efter moderna behandlingsanläggningar, vilket gör det avgörande att pressa mer effektivitet ur fordon, terminaler och rutter. Problemet är att volymen av avfall vid varje upphämtningspunkt inte är fast utan formas av mänskligt beteende och yttre händelser som är svåra att förutsäga exakt.

Från fasta siffror till fuzzy förväntningar

Det mesta tidigare forskningen behandlade mängden avfall vid varje stopp som en fast siffra eller försökte passa en exakt sannolikhetskurva med stora mängder historiska data. Båda angreppssätten har praktiska begränsningar: detaljerade data saknas ofta, och fasta antaganden bortser från de svängningar som ses i verklig drift. Den här studien använder istället en "fuzzy" beskrivning av utsläpp, uppbyggd kring trapezoida fuzzy-tal. Enkelt uttryckt tilldelas varje stopp ett rimligt intervall av sannolika avfallsmängder, med ett centralt band som är särskilt troligt snarare än en enda bästa gissning. Modellen kräver sedan att en planerad rutt har tillräckligt stor sannolikhet att hålla sig inom varje bils kapacitet, enligt en konfidensnivå vald av stadens beslutsfattare.

Att utforma rutter med inbyggd flexibilitet

Med denna mer oskarpa men realistiska bild blir det en komplicerad pusseluppgift att bestämma vilka bilar som ska serva vilka områden, med många möjliga lösningar. För att tackla det bygger författarna en optimeringsmodell för en stad med flera omlastningsstationer och många uppsamlingspunkter, alla servade inom ett smalt morgonfönster. De skapar sedan en specialiserad sökprocedur kallad ALNS-TS, som kombinerar en adaptiv sökning över stora grannskap med en tabu-sökningsmekanism. I huvudsak river algoritmen upp och bygger om kandidat­rutter upprepade gånger, lär sig vilka förändringar som tenderar att sänka kostnaden samtidigt som den använder ett korttidsminne för att undvika att fastna i repetitiva eller undermåliga mönster. Detta låter den utforska många ruttalternativ snabbt, även när det underliggande problemet är mycket stort.

Vad händer när osäkerhet respekteras

Med hjälp av standardiserade benchmarks jämför forskarna planer skapade under två antaganden: ett där avfallet vid varje punkt behandlas som exakt känt och ett där det följer de fuzzy-intervall som satts upp. Som väntat ser rutter som ignorerar osäkerhet billigare ut på papperet: bilar kör färre kilometer och färre fordon behövs. Men när fluktuerande utsläpp tas på allvar blir extra körsträcka och ytterligare fordon nödvändiga för att undvika överlastning och misslyckade tömningar. Studien visar också att högre önskade konfidensnivåer — det vill säga att stadsledningarna är mindre villiga att riskera missade tömningar — leder till stadigt högre driftkostnader. Genom känslighetsanalyser identifierar författarna en mellannivå för konfidens som erbjuder stark tillförlitlighet utan överdrivna kostnader.

Smartare algoritmer för renare städer

För att kontrollera om deras lösningsmetod är värd ansträngningen jämför författarna ALNS-TS med flera populära optimeringstekniker, inklusive en grundläggande adaptiv sökning, en genetisk algoritm och myrkolonialgoritm. I en rad testfall hittar den hybrida metoden rutter med lägre totalkostnad samtidigt som den använder bara måttligt mer beräkningstid än enklare heuristiker. Ur ett praktiskt perspektiv innebär detta att en stadsmyndighet kan generera högkvalitativa ruttplaner över natten eller till och med inom en daglig planeringscykel, samtidigt som man uttryckligen tar hänsyn till osäkra avfallsmängder och valda servicenivåer.

Vad detta betyder för stadsbor

För icke-specialister är huvudbudskapet att sophämtning kan bli både mer pålitlig och mer effektiv genom att öppet erkänna att avfallet är oförutsägbart och planera kring det. Istället för att låtsas att varje soptunna fylls i en fast takt modellerar detta arbete ett realistiskt intervall för varje stopp och låter stadsplanerare välja hur mycket risk för överfyllnad eller missad tömning de är villiga att tolerera. Resultatet är en uppsättning rutter som kan använda lite mer bränsle och några fler fordon men som kraftigt minskar risken för att sopor samlas på trottoarer. Kort sagt, genom att kombinera fuzzy-beskrivningar av avfallsmängder med avancerade ruttalgoritmer kan städer hålla gatorna renare samtidigt som resurserna används klokare.

Citering: 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

Nyckelord: ruttplanering för avfallsinsamling, kommunalt fast avfall, osäkerhetsmodellering, fuzzyoptimering, heuristiska algoritmer