بهینه سازی هوشمند مسیر جمع آوری پسماند شهری با استفاده از یادگیری ماشین و الگوریتم ژنتیک چندهدفه، مطالعه موردی: شهر تبریز

با افزایش جمعیت و گسترش فیزیکی کلان شهرها، مدیریت کارآمد پسماند شهری به یکی از چالش های جدی زیست محیطی، اقتصادی و مدیریتی بدل شده است. در این میان، مرحله جمع آوری و حمل پسماند، سهم عمده ای از هزینه ها و انرژی مصرفی را به خود اختصاص می دهد. ناکارآمدی در تخصیص مسیرهای جمع آوری، منجر به اتلاف منابع، افزایش مصرف سوخت، آلودگی بیشتر و اختلال در ارائه خدمات شهری می شود. این پژوهش با هدف ارائه چارچوبی هوشمند و واقع گرایانه برای بهینه سازی چندهدفه مسیر ناوگان جمع آوری پسماند در شهر تبریز انجام شده است. در این راستا، ابتدا شبکه حمل ونقل شهری بر اساس داده های نقشه متن باز مدل سازی شد و سطل های پسماند و مراکز دفن به صورت دقیق مکان مند شدند. سپس پایگاه داده ای جامع شامل سناریوهای مختلف تخصیص ایجاد شد و با استفاده از شبکه های عصبی پرسپترون چندلایه، مدلی برای تخمین هزینه های عملیاتی (مسافت، زمان و سوخت مصرفی) توسعه یافت. در مرحله بعد، الگوریتم ژنتیک چندهدفه برای بهینه سازی هم زمان سه تابع هدف یادشده به کار گرفته شد و مجموعه ای از پاسخ های غیر مغلوب در قالب جبهه پارتو تولید گردید. نتایج تجربی نشان داد مدل پرسپترون با دقت بالا قادر به پیش بینی هزینه ها است (R² بیش از ۹۶/۰ در برخی شاخص ها) و به کارگیری الگوریتم ژنتیک چندهدفه موجب کاهش چشمگیر در شاخص های عملیاتی گردید؛ به گونه ای که مصرف سوخت تا ۴۳٪، زمان عملیات تا ۳۵٪ و مسافت پیمایش تا ۳۵٪ کاهش یافت. این پژوهش اثبات می کند که ترکیب یادگیری ماشین و بهینه سازی تکاملی می تواند راهکاری موثر برای مدیریت پسماند هوشمند و پایدار در کلان شهرها فراهم آورد.

کلیدواژه ها:

پسماندشهری ، بهینه سازی مسیر ، یادگیری ماشین ، الگوریتم ژنتیک چند هدفه ، تبریز