بهینه سازی جمع آوری زباله در شهرهای هوشمند (مطالعه موردی: کلان شهر تهران)
محورهای موضوعی : مطالعات برنامه ریزی شهری و منطقه ای
علی اصغری
1
,
حسین ازگمی
2
,
علی عباس زورقچیان
3
1 - گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی موسسه آموزش عالی شفق، تنکابن، نام ایران
2 - گروه مهندسی کامپیوتر، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران
3 - گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، موسسه آموزش عالی صنعتی قائم، قائم شهر، ایران
کلید واژه:
چکیده مقاله :
انباشت زباله در کلان‌شهرهایی مانند تهران، مدیریت شهری را با چالش مواجه کرده است، زیرا روش‌های سنتی جمع‌آوری زباله در مناطق پرجمعیت ناکارآمد هستند. شهرهای هوشمند با ارائه راه‌حل‌های فناورانه، کیفیت زندگی شهری را بهبود می‌بخشند و سیستم‌های هوشمند جمع‌آوری زباله زمان خدمات، آلودگی و هزینه‌ها را کاهش می‌دهند. این مطالعه با تمرکز بر جمع‌آوری زباله در تهران، به دنبال افزایش پایداری و کارایی با استفاده از اینترنت اشیا و الگوریتم‌های بهینه‌سازی است. با توجه به افزایش جهانی زباله پیش‌بینی‌شده 4/3 میلیارد تن تا سال 2050 این پژوهش ناکارآمدی‌های زمان‌بندی، مصرف انرژی، آلودگی و هزینه‌ها را با مدلی هوشمند هدف قرار می‌دهد. این مطالعه کاربردی، جمع‌آوری زباله در تهران را با الگوریتم بهینه‌سازی صخره¬های مرجانی بهینه می‌کند. رویکرد چند مرحله‌ای الگوریتم پیشنهادی، نه تنها سطح پر شدن مخازن و ترافیک را کنترل می کند بلکه نوع زباله را در نظر می‌گیرد تا تفکیک مناسب¬تری انجام شود. در مدل پیشنهادی حسگرهای متصل روی سطل های زباله اطلاعت مرتبط به داد¬ها از قبیل سطح پرشدن سطل و نوع زباله را جمع‌آوری کرده و الگوریتم پیشنهادی مسیرها و زمان‌بندی‌ها را بهینه می‌کند کارایی روش پیشنهادی در مقایسه با الگوریتم ژنتیک و بهینه‌سازی کلونی مورچه سنجیده شده است و ان را در مقایسه با این روش¬ها کاراتر نشت داده است. الگوریتم هوشمند پیشنهادی با استفاده از حسگرها و در بستر اینترنت اشیاء، در مقایسه با روش‌های سنتی در تهران، هزینه‌ها، مسافت طی‌شده، انتشار گازها و زمان تخلیه را کاهش می‌دهد. این روش، راه‌حلی مقیاس‌پذیر مبتنی بر اینترنت اشیاء برای مدیریت زباله، ترافیک و حجم بالای زباله ارائه می‌دهد. بستر اینترنت اشیاء و حسگرهای مربوطه و ترکیب با الگوریتم صخره های مرجانی، مدیریت زباله را با بهینه‌سازی مسیرها، کاهش هزینه‌ها و زمان بهبود می‌بخشد. تکرارهای متوالی مدلی کارآمد ارائه داده که در همه اهداف از روش‌های کلاسیک پیشی می‌گیرد
Waste accumulation in metropolises such as Tehran has challenged urban management, as traditional waste collection methods are inefficient in densely populated areas. Smart cities improve the quality of urban life by providing technological solutions, and smart waste collection systems reduce service times, pollution, and costs. This study focuses on garbage collection in Tehran, seeking to increase sustainability and efficiency using the Internet of Things and optimization algorithms. Given the global increase in garbage expected to reach 3.4 billion tons by 2050, this study targets scheduling inefficiencies, energy consumption, pollution, and costs with an intelligent model. This applied study optimizes garbage collection in Tehran with the Coral Reef Optimization Algorithm. The multi-stage approach of the proposed algorithm not only controls the filling level of the bins and traffic but also considers the type of garbage to perform more appropriate separation. In the proposed model, sensors attached to the garbage bins collect information related to data, such as the filling level of the bin and the type of garbage, and the proposed algorithm optimizes the routes and schedules. The efficiency of the proposed method is measured in comparison with genetic algorithms and ant colony optimization. The experiment results show the efficiency of the proposed method over compared algorithms in all objectives. The proposed intelligent algorithm using sensors and in the IoT platform reduces costs, distance traveled, emissions, and emptying time compared to traditional methods in Tehran. This method provides a scalable IoT-based solution for waste management, traffic, and high-volume waste. The IoT platform and related sensors combined with the coral reef algorithm improve waste management by optimizing routes and reducing the costs and time of collecting the whole city's waste. Successive iterations provide an efficient model that outperforms classical methods in all objectives.
