Optimisation des itinéraires de collecte des déchets médicaux grâce à l’apprentissage par renforcement et à des algorithmes hybrides.

Accepté provisoirement

Les technologies modernes, en particulier l’intelligence artificielle, jouent un rôle essentiel dans l’amélioration de la gestion des déchets médicaux en développant des systèmes intelligents qui optimisent les itinéraires de transport des déchets, depuis leur génération jusqu’à leur élimination finale. Des algorithmes tels que Q-learning et Deep Q Network améliorent l’efficacité du transport et de l’élimination tout en réduisant les risques de pollution environnementale.
Dans cette étude, des algorithmes d’intelligence artificielle ont été formés à l’aide de systèmes d’agents homogènes d’une capacité de 3 tonnes pour optimiser les itinéraires entre les hôpitaux dans le cadre du Problème de Routage de Véhicules Capacité Fermée. En intégrant l’IA avec des techniques de recherche de chemin, notamment l’approche hybride A*-Deep Q Network, des résultats avancés ont été obtenus malgré des défis initiaux. Des techniques de clustering K-means ont été utilisées pour diviser les hôpitaux en zones, permettant aux agents de naviguer les chemins les plus courts à l’aide du Deep Q Network.
L’analyse a révélé que la capacité des agents n’était pas entièrement exploitée. Cela a conduit à l’application de la programmation dynamique du Problème du Sac à Dos Fractionnaire avec Deep Q Network pour maximiser l’utilisation de la capacité tout en atteignant des itinéraires optimaux. Étant donné que les critères utilisés pour comparer l’efficacité des algorithmes sont le nombre de véhicules et l’utilisation de la capacité totale des véhicules, il a été constaté que le Sac à Dos Fractionnaire avec DQN se distingue en nécessitant le moins de véhicules (4), atteignant 0 % de perte sur ce critère car il correspond à la valeur optimale. Comparativement à d’autres algorithmes nécessitant 5 ou 7 véhicules, il réduit la taille de la flotte de 20 % et 42,86 %, respectivement. De plus, il maximise l’utilisation de la capacité des véhicules à 100 %, contrairement à d’autres méthodes qui n’utilisent que 33 % à 66 % de la capacité des véhicules. Cependant, cette amélioration s’accompagne d’une augmentation de 9 % de la distance, reflétant les itinéraires plus longs nécessaires pour servir davantage d’hôpitaux par trajet. Malgré ce compromis, la capacité de l’algorithme à minimiser la taille de la flotte tout en maximisant l’utilisation de la capacité des véhicules en fait le choix optimal dans des scénarios où ces facteurs sont critiques. Cette approche a non seulement amélioré les performances, mais a également réduit l’impact environnemental.