انجمن جغرافیا و برنامه ریزی شهری ایران مجله شهر پایدار 2476-6631 مقالات آماده انتشار 2026 08 09 Intelligent Multi-Objective Optimization of Urban Waste Collection Routes Using Machine Learning and the NSGA-II Algorithm (Case Study: Tabriz City) بهینه‌سازی هوشمند مسیر جمع‌آوری پسماند شهری با استفاده از یادگیری ماشین و الگوریتم ژنتیک چندهدفه (مطالعه موردی: شهر تبریز) 250447 10.22034/jsc.2026.528909.1853 FA مسعود حق لسان استادیار، گروه معماری و شهرسازی، واحد ایلخچی، دانشگاه آزاد اسلامی، ایلخچی، ایران. مهرداد نجفی دانشجوی دکتری شهرسازی، گروه شهرسازی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران 0009-0004-0530-4107 محمدصادق جداری سفیدگری دانشجوی دکتری شهرسازی، گروه شهرسازی، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران 0009-0000-9790-8012 Journal Article 2025 06 18 Abstarct<br /> Rapid population growth and the physical expansion of metropolitan areas, efficient urban waste management has become a critical environmental, economic, and administrative challenge. Among its components, the collection and transportation of waste account for a significant portion of operational costs and energy consumption. Inefficient route allocation for waste collection leads to resource misallocation, increased fuel usage, environmental pollution, and disruption in municipal services. This study aims to propose an intelligent and realistic multi-objective framework for optimizing the routing of municipal waste collection fleets in Tabriz, Iran.<br /> To achieve this, the urban transportation network was extracted from OpenStreetMap data, with the geographic positions of waste bins and disposal sites precisely identified. A robust database incorporating diverse route allocation scenarios was then compiled to support decision modeling. Using multilayer perceptron neural networks, a predictive model was developed to estimate operational costs, including total distance, travel time, and fuel consumption. Subsequently, the NSGA-II algorithm was applied to simultaneously optimize the three objective functions, generating a set of non-dominated solutions in the form of a Pareto front.<br /> Empirical results demonstrated that the proposed neural network model achieved high predictive accuracy (with R² values exceeding 0.96 for some metrics), and the use of NSGA-II led to substantial improvements in operational performance: fuel consumption was reduced by up to 43%, collection time by 35%, and total traveled distance by 35%. This research underscores that combining machine learning with evolutionary optimization can offer an effective solution for intelligent and sustainable urban waste management in large cities.. با افزایش جمعیت و گسترش فیزیکی کلان‌شهرها، مدیریت کارآمد پسماند شهری به یکی از چالش‌های جدی زیست‌محیطی، اقتصادی و مدیریتی بدل شده است. در این میان، مرحله جمع‌آوری و حمل پسماند، سهم عمده‌ای از هزینه‌ها و انرژی مصرفی را به خود اختصاص می‌دهد. ناکارآمدی در تخصیص مسیرهای جمع‌آوری، منجر به اتلاف منابع، افزایش مصرف سوخت، آلودگی بیشتر و اختلال در ارائه خدمات شهری می‌شود. این پژوهش با هدف ارائه چارچوبی هوشمند و واقع‌گرایانه برای بهینه‌سازی چندهدفه مسیر ناوگان جمع‌آوری پسماند در شهر تبریز انجام شده است.در این راستا، ابتدا شبکه حمل‌ونقل شهری بر اساس داده‌های نقشه متن باز مدل‌سازی شد و سطل‌های پسماند و مراکز دفن به‌صورت دقیق مکان‌مند شدند. سپس پایگاه داده‌ای جامع شامل هزاران سناریوی تخصیص ایجاد شد و با استفاده از شبکه‌های عصبی پرسپترون چندلایه، مدلی برای تخمین هزینه‌های عملیاتی (مسافت، زمان و سوخت مصرفی) توسعه یافت. در مرحله بعد، الگوریتم ژنتیک چند هدفه برای بهینه‌سازی هم‌زمان سه تابع هدف یادشده به کار گرفته شد و مجموعه‌ای از پاسخ‌های غیرمغلوب در قالب جبهه پارتو تولید گردید.نتایج تجربی نشان داد مدل پرسپترون با دقت بالا قادر به پیش‌بینی هزینه‌ها است (R² بیش از 0.96 در برخی شاخص‌ها) و به‌کارگیری الگوریتم ژنتیک چند هدفه موجب کاهش چشمگیر در شاخص‌های عملیاتی گردید؛ به‌گونه‌ای که مصرف سوخت تا 43٪، زمان عملیات تا 35٪ و مسافت پیمایش تا 35٪ کاهش یافت. این پژوهش اثبات می‌کند که ترکیب یادگیری ماشین و بهینه‌سازی تکاملی می‌تواند راهکاری مؤثر برای مدیریت پسماند هوشمند و پایدار در کلان‌شهرها فراهم آورد.