Nonlinear Inertia Weighted Teaching-Learning-Based Optimization for Solving Global Optimization Problem
Table 7
Comparative results of TLBO and NIWTLBO with other variants of DE algorithms. Population size: 20; : 30; source: results of algorithms except TLBO and NIWTLBO are taken from [23].
Number
Function
SaDE
jDE
JADE
TLBO
NIWTLBO
Sphere
Mean
4.5E − 20
2.5E − 28
1.8E − 60
0
0
FEs: 1.5 × 105
Std.
1.9E − 14
3.5E − 28
8.4E − 60
0
0
Schwefel 1.2
Mean
9.0E − 37
5.2E − 14
5.7E − 61
0
0
FEs: 5.0 × 105
Std.
5.4E − 36
1.1E − 13
2.7E − 60
0
0
Schwefel 2.22
Mean
1.9E − 14
1.5E − 23
1.8E − 25
0
0
FEs: 2.0 × 105
Std.
1.1E − 14
1.0E − 23
8.8E − 25
0
0
Schwefel 2.21
Mean
7.4E − 11
1.4E − 15
8.2E − 24
0
0
FEs: 5.0 × 105
Std.
1.82E − 10
1.0E − 15
4.0E − 23
0
0
Ackley
Mean
2.7E − 03
3.5E − 04
8.2E − 10
4.48E − 15
8.65E − 16
FEs: 5.0 × 104
Std.
5.1E − 04
1.0E − 04
6.9E − 10
2.16E − 30
2.38E − 31
Rastrigin
Mean
1.2E − 03
1.5E − 04
1.0E − 04
6.36E + 00
0
FEs: 1.0 × 105
Std.
6.5E − 04
2.0E − 04
6.0E − 05
4.78E + 00
0
Griewank
Mean
7.8E − 04
1.9E − 05
9.9E − 08
0
0
FEs: 5.0 × 105
Std.
1.2E − 03
5.8E − 05
6.0E − 07
0
0
“†” mark indicates that NIWTLBO is statistically better than the corresponding algorithm.
