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

Table 2

Optimum results of AOP2.

MHs	HybridGA		PBILb5		PBILw5		PBILw5m		PBILw1		PBILw10
	Avrg	Stdev	Avrg	Stdev	Avrg	Stdev	Avrg	Stdev	Avrg	Stdev	Avrg	Stdev
𝑥1	0.0453	0.0073	0.0500	0.0000	0.0500	0.0000	0.0500	0.0000	0.0500	0.0000	0.0503	0.0018
𝑥2	0.0463	0.0096	0.0493	0.0025	0.0500	0.0026	0.0497	0.0032	0.0477	0.0043	0.0543	0.0063
𝑥3	0.0800	0.0000	0.0800	0.0000	0.0800	0.0000	0.0800	0.0000	0.0800	0.0000	0.0807	0.0025
𝑥4	0.0610	0.0040	0.0603	0.0018	0.0600	0.0000	0.0603	0.0018	0.0600	0.0000	0.0650	0.0068
𝑥5	0.0500	0.0087	0.0493	0.0025	0.0500	0.0026	0.0500	0.0000	0.0477	0.0043	0.0520	0.0041
𝑥6	0.0607	0.0025	0.0613	0.0051	0.0610	0.0040	0.0607	0.0025	0.0600	0.0000	0.0627	0.0064
𝑥7	0.0810	0.0031	0.0800	0.0000	0.0800	0.0000	0.0800	0.0000	0.0800	0.0000	0.0803	0.0018
𝑥8	0.0517	0.0099	0.0503	0.0018	0.0500	0.0000	0.0500	0.0000	0.0500	0.0000	0.0517	0.0038
𝑥9	0.0427	0.0052	0.0493	0.0025	0.0500	0.0000	0.0500	0.0000	0.0483	0.0038	0.0493	0.0025
𝑥10	0.0800	0.0000	0.0800	0.0000	0.0800	0.0000	0.0800	0.0000	0.0800	0.0000	0.0803	0.0018
𝑦1	74.7849	1.1783	77.5938	1.1768	80.0000	0.0000	80.0000	0.0000	80.0000	0.0000	80.0000	0.0000
𝑦2	171.5082	13.5158	165.3552	7.5152	175.0000	0.0000	175.0000	0.0000	174.9984	0.0089	175.0000	0.0000
𝑓(𝐱,𝐲)	558.7238	30.9474	567.8900	9.9080	568.7844	7.3917	568.2535	6.2552	559.2016	7.1018	594.2857	20.6724
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