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

Table 4

Optimum results of AOP4.

MHs	HybridGA		PBILb5		PBILw5		PBILw5m		PBILw1		PBILw10
	Avrg	Stdev	Avrg	Stdev	Avrg	Stdev	Avrg	Stdev	Avrg	Stdev	Avrg	Stdev
𝑥1	0.0467	0.0084	0.0517	0.0053	0.0520	0.0041	0.0513	0.0043	0.0490	0.0031	0.0533	0.0084
𝑥2	0.0477	0.0107	0.0510	0.0040	0.0503	0.0018	0.0513	0.0035	0.0507	0.0045	0.0543	0.0082
𝑥3	0.0833	0.0048	0.0867	0.0055	0.0863	0.0067	0.0867	0.0048	0.0860	0.0050	0.0873	0.0069
𝑥4	0.0603	0.0049	0.0577	0.0082	0.0607	0.0098	0.0577	0.0068	0.0563	0.0076	0.0610	0.0099
𝑥5	0.0570	0.0070	0.0543	0.0068	0.0590	0.0092	0.0533	0.0071	0.0553	0.0078	0.0583	0.0105
𝑥6	0.0613	0.0043	0.0603	0.0072	0.0617	0.0079	0.0603	0.0093	0.0577	0.0043	0.0653	0.0107
𝑥7	0.0720	0.0130	0.0783	0.0046	0.0773	0.0058	0.0797	0.0056	0.0760	0.0081	0.0793	0.0087
𝑥8	0.0457	0.0082	0.0507	0.0037	0.0500	0.0037	0.0507	0.0037	0.0490	0.0031	0.0523	0.0082
𝑥9	0.0440	0.0056	0.0510	0.0031	0.0507	0.0025	0.0497	0.0032	0.0483	0.0038	0.0507	0.0045
𝑥10	0.0787	0.0035	0.0787	0.0051	0.0797	0.0041	0.0770	0.0047	0.0780	0.0048	0.0810	0.0055
𝑥11	0.0518	0.1773	0.3132	0.2705	0.1478	0.3773	0.3319	0.3448	0.2337	0.3527	0.2345	0.4409
𝑥12	0.5991	0.1766	0.5610	0.1850	0.6211	0.1079	0.5072	0.2017	0.6345	0.1444	0.5174	0.1896
𝑥13	−0.6919	0.1381	−0.5828	0.1442	−0.5369	0.2001	−0.4271	0.2176	−0.6712	0.1039	−0.4691	0.2160
𝑥14	0.6804	0.1490	0.5697	0.1723	0.5550	0.1935	0.5924	0.1489	0.6494	0.1410	0.5549	0.1754
𝑦1	75.3793	1.2182	78.1703	1.5065	80.0000	0.0000	80.0000	0.0000	80.0000	0.0000	80.0000	0.0000
𝑦2	170.9637	7.2167	166.1746	7.4693	175.0000	0.0000	175.0000	0.0000	175.0000	0.0000	175.0000	0.0000
𝑓(𝐱,𝐲)	479.4000	34.7275	529.8728	21.6285	535.8320	21.6881	534.5283	22.3252	501.9159	11.7035	574.2029	37.1328
max𝑔𝑖	−0.0047	0.0009	−0.0050	0.0000	−0.0050	0.0000	−0.0050	0.0000	−0.0050	0.0000	−0.0050	0.0000