۲۰۲٫۶۹۴۳

۲۰۶٫۰۹۹۹

۲۰۴٫۲۹۰۹

Average

۲۰۳٫۲۴۳

۲۰۷٫۸۸۴۷

۲۰۴٫۶۱۰۵

STDEV

۱٫۲۲۰۲۶۷

۴٫۷۲۹۳۴۸

۲٫۱۰۷۶۷۱

Min

۲۰۲٫۱۴۸۵

۲۰۲٫۶۲۳۸

۲۰۲٫۱۴۸۵

Max

۲۰۵٫۱۰۱۲

۲۱۶٫۵۰۵۴

۲۰۸٫۱۳۵۴

در حالت عدم حضور تولیدات پراکنده، در شبکه ۷۰ باسه، تعداد متغیرهای تصادفی باینری مربوطه به یازده افزایش خواهد یافت. در نتیجه حجم مسئله نسبت به شبکه ۳۳ باسه بزرگتر شده است. مقادیر جدول بالا نشان می‌دهد، که الگوریتم PSO در هیچ یک از تلاش‌های خود قادر به یافتن پاسخ بهینه نبوده است. مجددا بهترین نتایج مربوط به الگوریتم ژنتیک است (مقدار میانگین، انحراف معیار و مقدار ماکزیمم آن کمتر است). اما الگوریتم ترکیبی ارائه شده نیز نتایج مناسبی داشته است.
علت این نتایج را می‌توان با ماهیت باینری مسئله مرتبط دانست. در حالت عدم حضور تولیدات پراکنده، تمامی متغیرهای تصادفی، باینری و گسسته بوده و در نتیجه الگوریتم ژنتیک توانایی مناسبی در حل مسئله خواهد داشت. اما الگوریتم PSO در این حالت بدلیل همگرایی پیش از موعد خود، قابلیت ضعیف‌تری از خود نشان داده، که این ضعف تا حد زیادی در الگوریتم ترکیبی ارائه شده برطرف شده است. در واقع الگوریتم ترکیبی، با تقسیم فضای مسئله و جمعیت تولید شده، قابلیت جستجوی بهتری را بدست آورده است.
در شکل‌های زیر نحوه‌ی همگرایی هر سه الگوریتم برای حالات ذکر شده در بالا ترسیم گردیده است.

شکل ۵-۳ : بهبود تلفات توان شبکه ۳۳ باسه بدون حضور تولیدات پراکنده برحسب تعداد تکرار در الگوریتم‌های مختلف

شکل ۵-۴ : بهبود تلفات توان شبکه ۷۰ باسه بدون حضور تولیدات پراکنده برحسب تعداد تکرار در الگوریتم‌های مختلف
همانگونه که در هر دو شکل بالا مشاهده می‌شود، الگوریتم PSO در همان تکرارهای اولیه همگرا شده است. اما الگوریتم ترکیبی با تقسیم فضای مسئله و جمعیت تولید شده، تعداد تکرار بیشتری را برای پیدا نمودن پاسخ مناسب صرف نموده، و در عوض نتیجه بهتری بدست آورده است.
حال عملکرد این سه الگوریتم را در حالت حضور تولیدات پراکنده مورد ارزیابی قرار می‌دهیم. نتایج مربوطه برای شبکه ۳۳ باسه در جدول زیر آورده شده است.

جدول ۵-۵ : مقایسه نتایج الگوریتم‌های مختلف برای بهبود تلفات توان در شبکه ۳۳ باسه با حضور تولیدات پراکنده

Genetic

PSO

Frog-PSO