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.