The team-orienteering problem (TOP) has broad applicability. Examples of possible uses are in factory and automation settings, robot sports teams, and urban search and rescue applications. We chose the rescue domain as a guiding example throughout this paper. Hence, this paper explores a practical variant of TOP with time window (TOPTW) for rescue applications by humanoid robots called TOPTWR. Due to the significant range of algorithm choices and their parameters tuning challenges, the use of hyper-heuristics is recommended. Hyper-heuristics can select, order, or generate different low-level heuristics with different optimization algorithms. In this paper, first, a general multi-objective (MO) solution is defined, with five objectives for TOPTWR. Then a robust and efficient MO and evolutionary hyper-heuristic algorithm for TOPTW based on the humanoid robot’s characteristics in the rescue applications (MOHH-TOPTWR) is proposed. MOHH-TOPTWR includes two MO evolutionary metaheuristics algorithms (MOEAs) known as non-dominated sorting genetic algorithm (NSGA-III) and MOEA based on decomposition (MOEA/D). In this paper, new benchmark instances are proposed for rescue applications using the existing ones for TOPTW. The experimental results show that MOHH-TOPTWR in both MOEAs can outperform all the state-of-the-art algorithms as well as NSGA-III and MOEA/D MOEAs.

中文翻译：

---

具有时间窗的团队定向问题的多目标进化超启发式算法，用于救援应用

团队定向问题（TOP）具有广泛的适用性。可能的用途示例包括工厂和自动化环境、机器人运动队以及城市搜索和救援应用。在本文中，我们选择救援域作为指导示例。因此，本文探讨了一种实用的带时间窗 TOP 变体（TOPTW），用于人形机器人的救援应用，称为 TOPTWR。由于算法选择范围很广及其参数调整挑战，建议使用超启发式。超启发式可以使用不同的优化算法选择、排序或生成不同的低级启发式。在本文中，首先，定义了一个通用的多目标 (MO) 解决方案，其中 TOPTWR 有五个目标。然后，基于人形机器人在救援应用中的特点，提出了一种鲁棒高效的MO和进化超启发式TOPTW算法（MOHH-TOPTWR）。MOHH-TOPTWR 包括两种 MO 进化元启发式算法 (MOEA)，称为非支配排序遗传算法 (NSGA-III) 和基于分解的 MOEA (MOEA/D)。在本文中，使用现有的 TOPTW 为救援应用程序提出了新的基准实例。实验结果表明，两种 MOEA 中的 MOHH-TOPTWR 均优于所有最先进的算法以及 NSGA-III 和 MOEA/D MOEA。MOHH-TOPTWR 包括两种 MO 进化元启发式算法 (MOEA)，称为非支配排序遗传算法 (NSGA-III) 和基于分解的 MOEA (MOEA/D)。在本文中，使用现有的 TOPTW 为救援应用程序提出了新的基准实例。实验结果表明，两种 MOEA 中的 MOHH-TOPTWR 均优于所有最先进的算法以及 NSGA-III 和 MOEA/D MOEA。MOHH-TOPTWR 包括两种 MO 进化元启发式算法 (MOEA)，称为非支配排序遗传算法 (NSGA-III) 和基于分解的 MOEA (MOEA/D)。在本文中，使用现有的 TOPTW 为救援应用程序提出了新的基准实例。实验结果表明，两种 MOEA 中的 MOHH-TOPTWR 均优于所有最先进的算法以及 NSGA-III 和 MOEA/D MOEA。