A GRASP-VND algorithm to solve the multi-objective fuzzy and sustainable tourist trip design problem for groups

Abstract

The design and planning of group tourist itineraries is a current trend. Group planning should be done according to the maximum capacity of the site under current COVID-19 conditions, the transport flow, and the benefits associated with individual preferences. Tourists commonly express the benefits and limitations of travel in vague and imprecise linguistic terms. In this paper, a hybrid algorithm is presented that combines Greedy Randomized Adaptive Search Procedure, Variable Neighborhood Descendent, and Pareto optimality to solve the multi-objective problem of planning sustainable group tourists itineraries under uncertainty. A set of experiments is performed with real-world tourism data from Sucre, Colombia and benchmark instances from the literature to validate the algorithm’s performance. The results are compared with optimal solutions obtained by CPLEX and other algorithms from previous works. Our approach demonstrates superior performance to different multi-target algorithms and builds more realistic routes.

El diseño y planificación de itinerarios turísticos grupales es una tendencia actual. La planificación del grupo debe ser realizado de acuerdo con la capacidad máxima del sitio bajo las condiciones actuales de COVID-19, el transporte flujo y los beneficios asociados con las preferencias individuales. Los turistas comúnmente expresan los beneficios y limitaciones de viaje en términos lingüísticos vagos e imprecisos. En este artículo, un algoritmo híbrido se presenta que combina el procedimiento de búsqueda adaptativa aleatoria codiciosa, el vecindario variable Optimidad descendente y de Pareto para resolver el problema multiobjetivo de la planificación de grupos sostenibles Itinerarios turísticos bajo incertidumbre. Se realiza una serie de experimentos con el turismo del mundo real datos de Sucre, Colombia e instancias de referencia de la literatura para validar el algoritmo actuación. Los resultados se comparan con soluciones óptimas obtenidas por CPLEX y otros algoritmos. de trabajos anteriores. Nuestro enfoque demuestra un rendimiento superior para diferentes objetivos múltiples. algoritmos y construye rutas más realistas.