一种用于可持续城市垃圾收集的基于排放容量的车辆路径模型，采用混合引导局部搜索

更智能的垃圾路线为何重要

垃圾车是每座城市常见的身影，但很少有人意识到它们在穿行拥堵街道时消耗了多少燃料、排放了多少碳。本文表明，通过更智能地规划垃圾收集路线——不仅考虑距离和时间，还考虑车辆负载和碳排放——城市可以在不购买新车或改变清运频次的情况下，减少燃料消耗、降低温室气体排放并节省成本。

垃圾车与气候变化

交通运输是全球变暖污染的重要来源，像垃圾收集这样的城市服务因使用重型车辆并频繁停靠在繁忙路段而贡献尤多。传统的路径规划倾向于最小化行驶距离或成本，假定更短的路线自然意味着更少的燃料和排放。实际上，情况并非如此简单。满载的垃圾车比空载时燃烧更多燃料，且城市政府正开始设定明确的碳目标和预算。作者认为，城市需要能直接“看见”燃料与碳排放的路由系统，而不仅仅关注公里数或工时。

一种新的城市路线规划方式

为了解决这一问题，研究提出了增强型规划模型——带时间窗的排放容量车辆路径问题。简单来说，它是一个数学蓝图，用来决定哪个车辆服务哪些集装箱、以何种顺序和时间访问，同时满足车辆载重、工作时间和客户时窗的限制。新的方面在于将燃料和排放纳入计算核心。燃料消耗既与行驶距离有关，也与负载有关：更重的车辆每公里燃料消耗更高。此外，该模型允许城市施加政策式规则，例如每日允许的最大总碳排放量以及全车队每公里平均排放的上限。

更优路线的智能搜索

随着城市规模增长，可行路线数量呈爆炸式增长，任何计算机都无法逐一枚举。为此，作者开发了一种定制的搜索程序，称为混合引导局部搜索。该方法以一种快速的“最低成本可行插入”方法为起点，通过始终以在满足约束的前提下代价最小的方式添加下一个停靠点，拼接出一组初始可行路线。随后反复调整这些路线——交换停靠点、反转路段或在车辆间移动客户——同时兼顾物流规则和排放限制。一个引导性惩罚机制会把搜索引导远离那些反复导致高成本或高排放的模式，帮助算法跳出局部最优并持续改进解。

模型的实地检验

该方法首先在标准学术基准问题上进行测试，以确保其能与已知方法竞争。在数十个测试用例中，混合搜索在车辆数量和行驶距离方面常常匹配或优于已知最优解，并持续超过诸如遗传算法和模拟退火等常见替代方法。更重要的是，作者将模型应用于巴基斯坦白沙瓦的真实垃圾收集区域，覆盖109个容器点和包含单行道、狭窄小巷及学校限制的复杂街道网络。与该市的临时路由相比，优化后的方案将燃料消耗和二氧化碳排放减少了约9–11%，并将总运营成本降低了约8–9%，同时满足严格的碳预算和排放强度上限。

这对城市意味着什么

对非专业读者而言，结论很直接：在不购买新车或改变收集频率的前提下，仅靠更好的规划就能显著缩减城市的碳足迹和燃料开支。通过将排放和政策限制作为一等输入——而非事后报告——所提出的方法让城市管理者可以探索不同情景：优先节约成本、收紧碳预算，或要求每公里排放低于某一阈值。研究的案例结果表明，这种智能路由可以使市政垃圾收集更清洁、更廉价、更具弹性，为寻求在保持基本服务稳定运行的同时实现气候目标的城市提供了务实工具。

引用: Khalid, Q.S., Maqsood, S., Mumtaz, J. et al. An emission-capacitated vehicle routing model for sustainable urban waste collection using hybrid guided local search. Sci Rep 16, 7691 (2026). https://doi.org/10.1038/s41598-026-38829-5

关键词: 城市垃圾收集, 车辆路径, 碳排放, 可持续物流, 优化算法