Dynamically Dimensioned Search Embedded with Piecewise Opposition-Based Learning for Global Optimization

Table 4

Comparison of the DDS-POBL algorithm with other state-of-the-art algorithms (D = 30).

Function	Index	PSO	POHS	CMA-ES	CoDE	EEGWO	MHDA	INMDA	NaFA	DDS-POBL
f1	Mean	2.70E − 09	1.39E − 23	6.15E − 29	2.36E − 10	1.58E − 203	4.07E − 42	0	4.43E − 29	1.74E − 202
	St. dev	1.00E − 09	5.10E − 01	1.72E − 29	1.69E − 10	0.00E + 00	2.22E − 41	0	4.06E − 30	0.00E + 00
f3	Mean	7.15E − 05	—	1.8127	6.64E − 06	1.11E − 102	6.62E − 15	0	2.98E − 15	3.76E − 102
	St. dev	2.26E − 05	—	6.9028	3.41E − 06	8.56E − 103	3.61E − 14	0	2.80E − 15	1.77E − 102
f4	Mean	4.71E − 06	—	3.12E − 27	8.10E − 01	2.54E − 200	2.55E − 50	0	2.60E − 28	4.95E − 201
	St. dev	1.49E − 06	—	8.17E − 28	5.39E − 01	0.00E − 00	1.30E − 49	0	2.37E − 29	0.00E + 00
f5	Mean	3.25E − 07	5.49E − 21	3.84E − 15	2.95E − 02	2.10E − 102	4.99E − 05	0	3.43E − 15	1.16E − 101
	St. dev	1.02E − 08	8.5E − 01	4.93E − 16	1.10E − 02	2.64E + 102	2.73E − 04	0	2.89E − 17	9.06E − 102
f6	Mean	1.23E − 01	5.04E + 03	0.7125	2.79E + 01	2.89E + 01	3.34E − 22	0	2.39E + 01	1.86E − 029
	St. dev	2.16E − 01	2.50E + 01	1.9802	1.75E + 01	2.42E − 02	5.67E − 22	0	8.96E − 01	1.94E − 029
f9	Mean	1.39E + 00	—	0.2101	1.38E − 02	5.96E − 05	5.25E − 05	7.77E − 05	2.91E − 02	8.37E − 209
	St. dev	0.001269	—	0.0555	5.70E − 03	4.72E − 05	5.02E − 05	2.92E − 05	1.56E − 02	0.00E + 00
f11	Mean	2.78E − 01	2.08E + 01	2.32E + 02	3.41E + 01	0.00E + 00	5.90E − 07	0	2.09E + 01	29.8488
	St. dev	2.18E − 01	0.90E + 01	5.54E + 01	5.70E + 00	0.00E + 00	3.23E − 06	0	6.96E + 00	3.59E − 014
f12	Mean	1.11E − 09	0.15E + 01	19.4830	3.89E − 06	8.88E − 16	6.34E − 15	8.88E − 16	3.02E − 14	3.5745
	St. dev	2.39E − 11	7.80E − 02	0.1369	1.51E − 06	0.00E + 00	2.72E − 14	0.00E + 00	8.94E − 15	1.65E − 015
f13	Mean	2.73E − 01	6.76E − 01	1.40E − 03	5.14E − 05	0.00E + 00	2.40E − 04	0	0.00E + 00	0.00E + 00
	St. dev	2.04E − 01	0.60E − 02	3.30E − 03	2.81E − 04	0.00E + 00	2.25E − 02	0	0.00E + 00	0.00E + 00