Antioptimisation of Trusses Using Two-Level Population-Based Incremental Learning

Table 3

Optimum results of AOP3.

MHs	HybridGA		PBILb5		PBILw5		PBILw5m		PBILw1		PBILw10
	Avrg	Stdev	Avrg	Stdev	Avrg	Stdev	Avrg	Stdev	Avrg	Stdev	Avrg	Stdev
𝑥1	0.0667	0.0106	0.0753	0.0078	0.0707	0.0037	0.0810	0.0243	0.0697	0.0032	0.0817	0.0172
𝑥2	0.1017	0.0091	0.1533	0.0127	0.1550	0.0201	0.1483	0.0207	0.1500	0.0000	0.1600	0.0242
𝑥3	0.0800	0.0037	0.0820	0.0076	0.0847	0.0073	0.0850	0.0078	0.0817	0.0046	0.0883	0.0079
𝑥4	0.0690	0.0109	0.0727	0.0052	0.0750	0.0078	0.0747	0.0082	0.0700	0.0037	0.0800	0.0164
𝑥5	0.0690	0.0109	0.0770	0.0160	0.0770	0.0084	0.0843	0.0355	0.0750	0.0051	0.0867	0.0121
𝑥6	0.0660	0.0104	0.0690	0.0061	0.0713	0.0035	0.0737	0.0156	0.0687	0.0043	0.0750	0.0073
𝑥7	0.1000	0.0000	0.1283	0.0252	0.1500	0.0131	0.1517	0.0207	0.1500	0.0000	0.1500	0.0186
𝑥8	0.0923	0.0043	0.1027	0.0131	0.0997	0.0018	0.1053	0.0229	0.0993	0.0025	0.1050	0.0185
𝑥9	0.0680	0.0092	0.0730	0.0065	0.0727	0.0069	0.0767	0.0103	0.0720	0.0081	0.0843	0.0155
𝑥10	0.0680	0.0096	0.0750	0.0078	0.0760	0.0097	0.0793	0.0083	0.0710	0.0031	0.0827	0.0108
𝑥11	0.0657	0.0068	0.0770	0.0099	0.0727	0.0074	0.0770	0.0158	0.0697	0.0032	0.0820	0.0167
𝑥12	0.1500	0.0000	0.1500	0.0000	0.1517	0.0091	0.1517	0.0091	0.1500	0.0000	0.1583	0.0190
𝑥13	0.0777	0.0057	0.0847	0.0090	0.0873	0.0078	0.0907	0.0087	0.0840	0.0056	0.0913	0.0221
𝑦1	150.0000	0.0000	279.9365	13.8161	297.8886	11.5648	293.5239	21.5257	300.0000	0.0000	299.7019	1.6330
𝑦2	150.0000	0.0000	278.6706	15.4757	296.4614	19.3818	289.2913	33.1890	300.0000	0.0000	298.5484	7.9508
𝑦3	150.0000	0.0000	252.3558	33.5946	297.3412	14.5631	289.8240	31.2534	300.0000	0.0000	297.0088	16.3835
𝑦4	2.009𝐸+11	5.409𝐸+07	2.001𝐸+11	5.567𝐸+08	1.990𝐸+11	1.820𝐸+07	1.991𝐸+11	3.734𝐸+08	1.990𝐸+11	4.828𝐸+07	1.990𝐸+11	8.067𝐸+07
𝑓(𝐱,𝐲)	4751.2034	230.5610	5974.5867	363.5549	6222.8573	456.2727	6566.8994	1086.3438	5912.7947	92.7879	7045.4299	1006.9112
max𝑔𝑖	−0.0050	0.0000	−0.0050	0.0000	−0.0050	0.0000	−0.0050	0.0000	−0.0050	0.0000	−0.0050	0.0000