ในวิทยาการคอมพิวเตอร์การจัดสรรงบประมาณการคำนวณที่เหมาะสมที่สุด (OCBA)เป็นวิธีการเพิ่มประสิทธิภาพการจำลองที่ออกแบบมาเพื่อเพิ่มความน่าจะเป็นของการเลือกที่ถูกต้อง (PCS) ให้สูงสุด ในขณะที่ลดต้นทุนการคำนวณให้น้อยที่สุด OCBA ได้รับการแนะนำครั้งแรกโดย ดร. ชุน-ฮุง เฉิน ในช่วงกลางทศวรรษ 1990 โดยจะกำหนดจำนวนการจำลอง (หรือเวลาในการคำนวณ) หรือจำนวนการทำซ้ำที่แต่ละทางเลือกการออกแบบต้องการเพื่อระบุตัวเลือกที่ดีที่สุดโดยใช้ทรัพยากรให้น้อยที่สุด^{[ 1 ] [ 2 ]}

นอกจากนี้ OCBA ยังแสดงให้เห็นว่าสามารถเพิ่มประสิทธิภาพอัลกอริธึมการค้นหาแบบสุ่มตามพาร์ติชันสำหรับการแก้ปัญหาการหาค่าเหมาะสมที่สุดทั่วโลกแบบกำหนดได้^{[ 3 ]}ตลอดหลายปีที่ผ่านมา OCBA ได้ถูกนำไปใช้ในการออกแบบระบบการผลิต การวางแผนด้านการดูแลสุขภาพ และการสร้างแบบจำลองทางการเงิน นอกจากนี้ยังได้รับการขยายเพื่อจัดการกับสถานการณ์ที่ซับซ้อนมากขึ้น เช่น การสร้างสมดุลระหว่างวัตถุประสงค์หลายประการ^{[ 4 ]}การกำหนดความเป็นไปได้^{[ 5 ]}และการหาค่าเหมาะสมที่สุดภายใต้ข้อจำกัด^{[ 6 ]}

เป้าหมายของ OCBA คือการนำเสนอแนวทางที่เป็นระบบเพื่อดำเนิน การจำลองจำนวนมากอย่างมีประสิทธิภาพโดยมุ่งเน้นเฉพาะทางเลือกที่สำคัญ เพื่อเลือกทางเลือกที่ดีที่สุด

กล่าวอีกนัยหนึ่ง OCBA จะให้ความสำคัญกับทางเลือกที่สำคัญที่สุดเท่านั้น ลดเวลาในการคำนวณและลดความแปรปรวนของตัวประมาณค่า ที่สำคัญเหล่านี้ ผลลัพธ์ที่คาดหวังคือการรักษาระดับความแม่นยำ ที่ต้องการ ในขณะที่ต้องการทรัพยากรการคำนวณน้อยลง^{[ 7 ]}

ปัญหาดังกล่าวสามารถกำหนดเป็นสูตรทางคณิตศาสตร์ได้ดังนี้:

$${\displaystyle \max _{\tau _{1},\tau _{2},\ldots ,\tau _{k}}\mathrm {PCS} }$$

ขึ้นอยู่กับ:

${\displaystyle \sum _{i=1}^{k}\tau _{i}=\tau ,\quad \tau _{i}\geq 0,;i=1,2,...,k}$

ที่ไหน:

${\displaystyle k}$จำนวนตัวเลือกการออกแบบทั้งหมด

${\displaystyle \tau _{i}}$จำนวนการจำลองซ้ำที่จัดสรรให้กับการออกแบบที่ -th ${\displaystyle i}$

${\displaystyle \tau }$งบประมาณการคำนวณทั้งหมด

OCBA ปรับการจัดสรรการจำลองซ้ำให้เหมาะสมที่สุดโดยมุ่งเน้นที่ทางเลือกที่มีความแปรปรวนสูงกว่าหรือช่องว่างประสิทธิภาพที่เล็กกว่าเมื่อเทียบกับทางเลือกที่ดีที่สุด อัตราส่วนของการจำลองซ้ำระหว่างสองทางเลือก เช่นและจะถูกกำหนดโดยสูตรต่อไปนี้: ${\displaystyle N_{2}}$${\displaystyle N_{3}}$

$${\displaystyle {\frac {N_{2}}{N_{3}}}={\frac {\left({\frac {\sigma _{2}}{\delta _{1,2}}}\right)^{2}}{\left({\frac {\sigma _{3}}{\delta _{1,3}}}\right)^{2}}}}$$

ที่นี่:

${\displaystyle \sigma _{i}}$: ความแปรปรวนของประสิทธิภาพของทางเลือกอื่น ${\displaystyle i}$

${\displaystyle \delta _{1,i}}$: ช่องว่างประสิทธิภาพระหว่างทางเลือกที่ดีที่สุด ( ) และทางเลือกอื่น ${\displaystyle 1}$${\displaystyle i}$

${\displaystyle N_{i}}$จำนวนการจำลองที่จัดสรรให้กับทางเลือกต่างๆ ${\displaystyle i}$

สูตรนี้รับประกันว่าทางเลือกที่มีช่องว่างประสิทธิภาพที่เล็กกว่า ( ) หรือความแปรปรวนที่สูงกว่า ( ) จะได้รับการจำลองซ้ำมากขึ้น ซึ่งจะช่วยเพิ่มประสิทธิภาพการคำนวณให้สูงสุดในขณะที่ยังคงรักษาความน่าจะเป็นของการเลือกที่ถูกต้อง (PCS) ไว้สูง โดยรับประกันประสิทธิภาพการคำนวณด้วยการลดการจำลองซ้ำสำหรับทางเลือกที่ไม่สำคัญและเพิ่มการจำลองซ้ำสำหรับทางเลือกที่สำคัญ^{[ 8 ]}ผลลัพธ์เชิงตัวเลขแสดงให้เห็นว่า OCBA สามารถบรรลุคุณภาพการจำลองเดียวกันได้โดยใช้ความพยายามในการคำนวณเพียงหนึ่งในสิบเมื่อเทียบกับวิธีการแบบดั้งเดิม^{[ 2 ]}${\displaystyle \delta _{1,i}}$${\displaystyle \sigma _{i}}$

ตามที่ Szechtman และ Yücesan (2008) กล่าวไว้^{[ 9 ]} OCBA ยังมีประโยชน์ในปัญหาการกำหนดความเป็นไปได้อีกด้วย ซึ่งในกรณีนี้ผู้ตัดสินใจสนใจเพียงแค่การแยกแยะ ทางเลือก ที่เป็นไปได้ออกจากทางเลือกที่ไม่เป็นไปได้ นอกจากนี้ การเลือกทางเลือกที่ง่ายกว่าแต่มีประสิทธิภาพใกล้เคียงกันนั้นมีความสำคัญต่อผู้ตัดสินใจคนอื่นๆ ในกรณีนี้ ทางเลือกที่ดีที่สุดคือในบรรดาทางเลือกที่ง่ายที่สุด r อันดับแรก ซึ่งมีประสิทธิภาพสูงกว่าระดับที่ต้องการ^{[ 10 ]}

นอกจากนี้ Trailovic ^{[ 11 ]}และ Pao ^{[ 12 ]} (2004) สาธิตวิธีการ OCBA โดยที่เราค้นหาทางเลือกที่มีความแปรปรวน น้อยที่สุด แทนที่จะเป็นค่าเฉลี่ยที่ดีที่สุด ในที่นี้ เราถือว่าความแปรปรวนไม่ทราบค่า ทำให้กฎ OCBA เป็นโมฆะ (โดยสมมติว่าทราบความแปรปรวน) ในปี 2010 มีการวิจัยเกี่ยวกับอัลกอริทึม OCBA ที่อิงตามการแจกแจงแบบ at ผลลัพธ์แสดงให้เห็นว่าไม่มีความแตกต่างอย่างมีนัยสำคัญระหว่างผลลัพธ์จากการแจกแจงแบบ t และการแจกแจงแบบปกติส่วนขยายของ OCBA ที่นำเสนอข้างต้นไม่ใช่รายการที่สมบูรณ์และยังต้องได้รับการสำรวจและรวบรวมอย่างเต็มที่^{[ 2 ]}

การจัดสรรงบประมาณการคำนวณที่เหมาะสมที่สุดแบบหลายวัตถุประสงค์ (Multi-Objective Optimal Computing Budget Allocation หรือ MOCBA) คือแนวคิด OCBA ที่นำไปใช้กับปัญหาแบบหลายวัตถุประสงค์ ใน MOCBA ทั่วไป PCS จะถูกกำหนดดังนี้

$${\displaystyle \Pr\{CS\}\equiv \Pr \left\{\left(\bigcap _{i\in S_{p}}E_{i}\right)\bigcap \left(\bigcap _{i\in {\overline {S}}_{p}}E_{i}^{c}\right)\right\},}$$

ซึ่ง

• ${\displaystyle S_{p}}$คือเซตพาเรโตที่ สังเกตได้
• ${\displaystyle {\overline {S}}_{p}}$คือเซตที่ไม่ใช่พาเรโต นั่นคือ,${\displaystyle {\overline {S}}_{p}=\Theta \backslash S_{p}}$
• ${\displaystyle E_{i}}$คือเหตุการณ์ที่การออกแบบหนึ่งไม่ถูกครอบงำโดยการออกแบบอื่นๆ ทั้งหมด${\displaystyle i}$
• ${\displaystyle E_{i}^{c}}$คือเหตุการณ์ที่การออกแบบถูกครอบงำโดยการออกแบบอย่างน้อยหนึ่งแบบ${\displaystyle i}$

เราสังเกตว่าข้อผิดพลาดประเภทที่ 1 และข้อผิดพลาดประเภทที่ 2ในการระบุเซตพาเรโตที่ถูกต้องนั้น มีค่าดังนี้ ${\displaystyle e_{1}}$${\displaystyle e_{2}}$

${\displaystyle e_{1}=1-\Pr \left\{\bigcap _{i\in {\overline {S}}_{p}}E_{i}^{c}\right\}}$และ. ${\displaystyle e_{2}=1-\Pr \left\{\bigcap _{i\in S_{p}}E_{i}\right\}}$

นอกจากนี้ ยังสามารถพิสูจน์ได้ว่า

${\displaystyle e_{1}\leq ub_{1}=H\left|{\overline {S}}_{p}\right|-H\sum _{i\in {\overline {S}}_{p}}{\max _{j\in \Theta ,j\neq i}\left[\min _{l\in {1,\ldots ,H}}\Pr \left\{{\tilde {J}}_{jl}\leq {\tilde {J}}_{il}\right\}\right]}}$

และ

${\displaystyle e_{2}\leq ub_{2}=(k-1)\sum _{i\in S_{p}}\max _{j\in \Theta ,j\neq i}\left[\min _{l\in {1,\ldots ,H}}\Pr \left\{{\tilde {J}}_{jl}\leq {\tilde {J}}_{il}\right\}\right],}$

โดยที่คือจำนวนวัตถุประสงค์ และเป็นไปตามการแจกแจงแบบโพสทีเรียร์ โปรดทราบว่าและคือค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานของมาตรวัดประสิทธิภาพที่สังเกตได้สำหรับวัตถุประสงค์ของการออกแบบและคือจำนวนการสังเกต ${\displaystyle H}$${\displaystyle {\tilde {J}}_{il}}$${\displaystyle Normal\left({\bar {J}}_{il},{\frac {\sigma _{il}^{2}}{N_{i}}}\right).}$${\displaystyle {\bar {J}}_{il}}$${\displaystyle \sigma _{il}}$${\displaystyle l}$${\displaystyle i}$${\displaystyle N_{i}}$

ดังนั้น แทนที่จะหาค่าสูงสุดของ เราสามารถหาค่าสูงสุดของขอบล่างได้ กล่าวคือสมมติว่าวิธีของลากรางจ์สามารถนำมาใช้เพื่อสรุปกฎต่อไปนี้ได้: ${\displaystyle \Pr\{CS\}}$${\displaystyle APCS{-}M\equiv 1-ub_{1}-ub_{2}.}$${\displaystyle \tau \rightarrow \infty }$

${\displaystyle \tau _{i}={\frac {\beta _{i}}{\sum _{j\in \Theta }\beta _{j}}}\tau ,}$

ซึ่ง

• สำหรับการออกแบบ, ,${\displaystyle h\in S_{A}}$${\displaystyle \beta _{h}={\frac {\left({\hat {\sigma }}_{hl_{j_{h}}^{h}}^{2}+{\hat {\sigma }}_{j_{h}l_{j_{h}}^{h}}^{2}/\rho _{h}\right)/{\delta _{hj_{h}l_{j_{h}}^{h}}^{2}}}{\left({\hat {\sigma }}_{ml_{jm}^{m}}^{2}+{\hat {\sigma }}_{j_{m}l_{jm}^{m}}^{2}/\rho _{m}\right)/{\delta _{mj_{m}l_{j_{m}}^{m}}^{2}}}}}$
• สำหรับการออกแบบ, ,${\displaystyle d\in S_{B}}$${\displaystyle \beta _{d}={\sqrt {\sum _{i\in \Theta _{d}^{*}}{\frac {\sigma _{dl_{d}^{i}}^{2}}{\sigma _{il_{d}^{i}}^{2}}}\beta _{i}^{2}}}}$

และ${\displaystyle \delta _{ijl}={\bar {J}}_{jl}-{\bar {J}}_{il},}$

${\displaystyle j_{i}\equiv \arg \max _{j\in \Theta ,j\neq i}\prod _{l=1}^{H}{\Pr \left\{{\tilde {J}}_{jl}\leq {\tilde {J}}_{il}\right\}},}$

${\displaystyle l_{j_{i}}^{i}\equiv \arg \min _{l\in {1,\ldots ,H}}\Pr \left\{{\tilde {J}}_{jl}\leq {\tilde {J}}_{il}\right\},}$

${\displaystyle S_{A}\equiv \left\{design\;h\in S\mid {\frac {\delta _{hj_{h}l_{j_{h}}^{h}}^{2}}{{\frac {{\hat {\sigma }}_{hl_{j_{h}}^{h}}^{2}}{\alpha _{h}}}+{\frac {{\hat {\sigma }}_{j_{h}l_{j_{h}}^{h}}^{2}}{\alpha _{j_{h}}}}}}<\min _{i\in \Theta _{h}}{\frac {\delta _{ihl_{h}^{i}}^{2}}{{\frac {{\hat {\sigma }}_{il_{h}^{i}}^{2}}{\alpha _{i}}}+{\frac {{\hat {\sigma }}_{hl_{h}^{i}}^{2}}{\alpha _{h}}}}}\right\},}$

${\displaystyle S_{B}\equiv S\backslash S_{A},}$

${\displaystyle \Theta _{h}={i|i\in S,j_{i}=h},}$

${\displaystyle \Theta _{d}^{*}={h|h\in S_{A},j_{h}=d},}$

${\displaystyle \rho _{i}=\alpha _{j_{i}}/\alpha _{i}.}$

การวัดประสิทธิภาพหลักเรียกว่าวัตถุประสงค์หลัก ในขณะที่การวัดประสิทธิภาพรองเรียกว่าการวัดข้อจำกัด ซึ่งจัดอยู่ในปัญหาการเพิ่มประสิทธิภาพแบบมี ข้อจำกัด เมื่อจำนวนทางเลือกคงที่ ปัญหาดังกล่าวเรียกว่าการจัดอันดับและการเลือกแบบมีข้อจำกัด โดยมีเป้าหมายคือการเลือกการออกแบบที่เป็นไปได้ที่ดีที่สุด โดยที่ทั้งวัตถุประสงค์หลักและการวัดข้อจำกัดจำเป็นต้องได้รับการประมาณค่าผ่าน การจำลอง แบบสุ่มวิธี OCBA สำหรับการเพิ่มประสิทธิภาพแบบมีข้อจำกัด (เรียกว่า OCBA-CO) สามารถพบได้ใน Pujowidianto et al. (2009) ^{[ 13 ]}และ Lee et al. (2012) ^{[ 14 ]}

กำหนด

• ${\displaystyle k}$จำนวนแบบทั้งหมด;
• ${\displaystyle m}$จำนวนข้อจำกัดการวัดผลการปฏิบัติงานทั้งหมด;
• ${\displaystyle c_{j}}$: ข้อกำหนดการควบคุมของข้อจำกัดที่ th สำหรับการออกแบบทั้งหมด;${\displaystyle j}$${\displaystyle j=1,2,...,m}$
• ${\displaystyle S_{A}}$: ชุดของแบบร่างที่เป็นไปได้
• ${\displaystyle S_{B}}$: ชุดของการออกแบบที่ไม่สามารถนำไปปฏิบัติได้จริง
• ${\displaystyle \mu _{i,j}}$: ค่าเฉลี่ยของตัวอย่างการจำลองของการวัดข้อจำกัดและการออกแบบที่ th ;${\displaystyle j}$${\displaystyle i}$
• ${\displaystyle \sigma _{i,j}^{2}}$: ความแปรปรวนของตัวอย่างการจำลองของการวัดข้อจำกัดและการออกแบบที่ th ;${\displaystyle j}$${\displaystyle i}$
• ${\displaystyle \alpha _{i}}$สัดส่วนของงบประมาณการจำลองทั้งหมดที่จัดสรรให้กับการออกแบบ${\displaystyle i}$
• ${\displaystyle {\bar {X}}_{i,j}}$: ค่าเฉลี่ยตัวอย่างของตัวอย่างจำลองของการวัดข้อจำกัดและการออกแบบที่th${\displaystyle j}$${\displaystyle i}$

สมมติว่าข้อจำกัดทั้งหมดอยู่ในรูปแบบ, . ความน่าจะเป็นของการเลือกแบบแผนที่เป็นไปได้ทั้งหมดอย่างถูกต้องคือ ${\displaystyle \mu _{i,j}\leq c_{j}}$${\displaystyle i=1,2,...,k,j=1,2,...,m}$

${\displaystyle {\begin{aligned}\mathrm {PCS} =\mathbb {P} \left(\bigcap _{i\in S_{A}}{\Big (}\bigcap _{j=1}^{m}({\bar {X}}_{i,j}\leq c_{j}){\Big )}\cap \bigcap _{i\in S_{B}}{\Big (}\bigcup _{j=1}^{m}({\bar {X}}_{i,j}>c_{j}){\Big )}\right),\end{aligned}}}$

และปัญหาการจัดสรรงบประมาณสำหรับการพิจารณาความเป็นไปได้นั้นกำหนดโดย Gao และ Chen (2017) ^{[ 15 ]}

${\displaystyle {\begin{aligned}\max _{\alpha _{1},\alpha _{2},\ldots ,\alpha _{k}}&\mathrm {PCS} \\{\text{subject to }}&\sum _{i=1}^{k}\alpha _{i}=1,\\&\alpha _{i}\geq 0,i=1,2,...,k.\end{aligned}}}$

ให้และกฎการจัดสรรงบประมาณที่เหมาะสมที่สุดในเชิงอะซิมโทติกคือ ${\displaystyle I_{i,j}(x)={\frac {(x-\mu _{i,j})^{2}}{2\sigma _{i,j}^{2}}}}$${\displaystyle j_{i}\in \mathrm {argmin} _{j\in \{1,...,m\}}I_{i,j}(c_{j})}$

${\displaystyle {\begin{aligned}{\frac {\alpha _{i}}{\alpha _{i'}}}={\frac {I_{i',j_{i'}}(c_{j_{i'}})}{I_{i,j_{i}}(c_{j_{i}})}},i,i'\in \{1,2,...,k\}.\end{aligned}}}$

โดยสัญชาตญาณแล้ว กฎการจัดสรรข้างต้นกล่าวว่า (1) สำหรับการออกแบบที่เป็นไปได้ ข้อจำกัดที่เด่นที่สุดคือข้อจำกัดที่ยากที่สุดที่จะตรวจพบได้อย่างถูกต้องในบรรดาข้อจำกัดทั้งหมด และ (2) สำหรับการออกแบบที่ไม่เป็นไปได้ ข้อจำกัดที่เด่นที่สุดคือข้อจำกัดที่ง่ายที่สุดที่จะตรวจพบได้อย่างถูกต้องในบรรดาข้อจำกัดทั้งหมด

โดยเฉพาะอย่างยิ่งต้นทุนค่าเสียโอกาส ที่คาดการณ์ไว้ คือ

${\displaystyle {\begin{aligned}EOC=\mathbb {E} _{\mathcal {T}}[\mu _{\mathcal {T}}-\mu _{t}]=\sum _{i=1,i\neq t}^{k}\delta _{i,t}\mathbb {P} ({\mathcal {T}}=i),\end{aligned}}}$

ที่ไหน,

• ${\displaystyle k}$คือจำนวนแบบทั้งหมด;
• ${\displaystyle t}$นี่แหละคือการออกแบบที่ดีที่สุดอย่างแท้จริง
• ${\displaystyle {\mathcal {T}}}$คือตัวแปรสุ่มที่มีค่าการเกิดขึ้นคือแบบแผนการออกแบบที่ดีที่สุดที่สังเกตได้
• ${\displaystyle \mu _{i}}$คือค่าเฉลี่ยของตัวอย่างการจำลองของการออกแบบ;${\displaystyle i}$${\displaystyle i=1,2,...,k}$
• ${\displaystyle \delta _{i,j}=\mu _{i}-\mu _{j}}$.

ปัญหาการจัดสรรงบประมาณด้วยการวัดวัตถุประสงค์ EOC ได้รับการนำเสนอโดย Gao et al. (2017) ^{[ 16 ]}

${\displaystyle {\begin{aligned}\min _{\alpha _{1},\alpha _{2},\ldots ,\alpha _{k}}&\mathrm {EOC} \\{\text{subject to }}&\sum _{i=1}^{k}\alpha _{i}=1,\\&\alpha _{i}\geq 0,i=1,2,...,k,\end{aligned}}}$

สัดส่วนของงบประมาณการจำลองทั้งหมดที่จัดสรรให้กับการออกแบบคือเท่าใดถ้าเราสมมติว่าสำหรับทุกค่า กฎการจัดสรรงบประมาณที่เหมาะสมที่สุดในเชิงอะซิมโทติกสำหรับปัญหานี้คือ ${\displaystyle \alpha _{i}}$${\displaystyle i}$${\displaystyle \alpha _{t}\gg \alpha _{i}}$${\displaystyle i\neq t}$

${\displaystyle {\begin{aligned}&{\frac {\alpha _{t}^{2}}{\sigma _{t}^{2}}}=\sum _{i=1,i\neq t}^{k}{\frac {\alpha _{i}^{2}}{\sigma _{i}^{2}}},\\&{\frac {\alpha _{i}}{\alpha _{j}}}={\frac {\sigma _{i}^{2}/\delta _{i,t}^{2}}{\sigma _{j}^{2}/\delta _{j,t}^{2}}},i\neq j\neq t,\end{aligned}}}$

ความแปรปรวนของตัวอย่างจำลองของการออกแบบอยู่ที่ใดกฎการจัดสรรนี้เหมือนกับคำตอบที่เหมาะสมที่สุดเชิงอะซิมโทติกของปัญหา (1) กล่าวคือ ในทางอะซิมโทติก การเพิ่ม PCS ให้สูงสุดและการลด EOC ให้ต่ำสุดนั้นเป็นสิ่งเดียวกัน ${\displaystyle \sigma _{i}^{2}}$${\displaystyle i}$

โดยสมมติว่าชุดความไม่แน่นอนประกอบด้วย สถานการณ์จำนวนจำกัดสำหรับการกระจายอินพุตและพารามิเตอร์พื้นฐาน Gao et al. (2017) ^{[ 17 ]}ได้นำเสนอแนวทาง OCBA ใหม่โดยการเพิ่มความน่าจะเป็นของการเลือกการออกแบบที่ดีที่สุดอย่างถูกต้องภายใต้งบประมาณการจำลองที่กำหนดไว้ โดยที่ประสิทธิภาพของการออกแบบจะวัดจากประสิทธิภาพในกรณีที่เลวร้ายที่สุดในบรรดาสถานการณ์ที่เป็นไปได้ทั้งหมดในชุดความไม่แน่นอน

• การศึกษาในปี 2023 ได้นำเสนอกฎการจัดสรรงบประมาณแบบปรับได้สำหรับ OCBA โดยปรับงบประมาณการจำลองแบบไดนามิกเพื่อเพิ่มโอกาสในการเลือกที่ถูกต้องให้สูงสุด วิธีการนี้ได้รับการตรวจสอบผ่านตัวอย่างสังเคราะห์และกรณีศึกษา ซึ่งแสดงให้เห็นถึงประสิทธิภาพในการระบุการออกแบบระบบที่เหมาะสมที่สุด^{[ 18 ]}
• ในปี 2022 นักวิจัยได้พัฒนาวิธีการ OCBA ที่ขับเคลื่อนด้วยข้อมูลซึ่งจัดการกับความไม่แน่นอนของข้อมูลป้อนเข้าโดยการอัปเดตการประมาณการกระจายด้วยข้อมูลแบบสตรีมมิ่ง วิธีนี้รับประกันการเลือกการออกแบบที่ดีที่สุดที่สอดคล้องกันและเหมาะสมที่สุดในระยะยาว ซึ่งช่วยเพิ่มประสิทธิภาพในการตัดสินใจในสภาพแวดล้อมแบบไดนามิก^{[ 2 ]}
• การศึกษาในปี 2020 เสนอนโยบายต้นไม้แบบ OCBA สำหรับการค้นหาต้นไม้แบบมอนเตคาร์โลโดยปรับ การจัดสรร ทรัพยากรการคำนวณ ให้ เหมาะสมเพื่อเพิ่มโอกาสในการเลือกการกระทำ ที่ถูกต้องให้สูงสุด แนวทางนี้จะเพิ่มความน่าจะเป็นของการเลือกการกระทำที่ถูกต้องให้สูงสุดภายใต้งบประมาณการสุ่มตัวอย่างที่จำกัด โดยการปรับสมดุลแบบไดนามิกระหว่างการสำรวจการกระทำที่มีการสุ่มตัวอย่างน้อยและการใช้ประโยชน์จากการกระทำที่มีแนวโน้มดี^{[ 19 ]}
• กรอบงาน Distributed Asynchronous Optimal Computing Budget Allocation (DA-OCBA) ใช้หลักการ OCBA ใน สภาพแวดล้อม การประมวลผลแบบคลาวด์เพื่อเพิ่มประสิทธิภาพการจำลอง โดยการใช้คอนเทนเนอร์ Docker ที่ไม่ได้ใช้งานและเปิดใช้งานการดำเนินการแบบอะซิงโครนัสของงานจำลอง DA-OCBA ช่วยเพิ่มประสิทธิภาพการเพิ่มประสิทธิภาพการจำลองในระบบขนาดใหญ่ กรอบงานนี้แสดงให้เห็นถึงการประหยัดการคำนวณและความสามารถในการปรับขนาดอย่างมีนัยสำคัญ ทำให้มีประโยชน์อย่างยิ่งในแอปพลิเคชันต่างๆ เช่น ระบบการจัดสรรทรัพยากรบนคลาวด์^{[ 20 ]}
• เอกสารฉบับปี 2021 เสนอ OCBA เป็นวิธีการเพื่อให้มั่นใจว่าการจัดสรรทรัพยากรประสบความสำเร็จเพื่อลดผลกระทบจากอันตรายและปัจจัยด้านสิ่งแวดล้อมที่อาจขัดขวางการขนถ่ายสินค้าข้ามท่าเรืออย่างทันท่วงที โดยการนำ OCBA ไปใช้ภายในกรอบงานที่ใช้ดิจิทัลทวิน ผู้มีอำนาจตัดสินใจจะสามารถใช้ข้อมูลแบบเรียลไทม์เพื่อเพิ่มประสิทธิภาพจำนวนการจำลองสำหรับการกู้คืนแต่ละทางเลือก^{[ 21 ]}

แบบจำลองความแม่นยำหลายระดับเชิงทำนาย: แบบจำลองส่วนผสมเกาส์เซียน (GMMs) ทำนายความสัมพันธ์ระหว่างการจำลองความแม่นยำต่ำและสูง ทำให้ OCBA สามารถมุ่งเน้นไปที่ทางเลือกที่มีแนวโน้มดีที่สุดแบบจำลองความแม่นยำหลายระดับผสมผสานข้อมูลเชิงลึกจากการจำลองความแม่นยำต่ำ ซึ่งมีต้นทุนการคำนวณต่ำแต่มีความแม่นยำน้อยกว่า และการจำลองความแม่นยำสูง ซึ่งมีความแม่นยำมากกว่าแต่ต้องใช้การคำนวณมาก การบูรณาการ GMMs เข้าสู่กระบวนการนี้ทำให้ OCBA สามารถจัดสรรทรัพยากรการคำนวณอย่างมีกลยุทธ์ในระดับความแม่นยำต่างๆ ซึ่งช่วยลดต้นทุนการจำลองลงอย่างมากในขณะที่ยังคงรักษาความแม่นยำในการตัดสินใจ^{[ 22 ]}

การจัดสรรทรัพยากรแบบไดนามิกในด้านการดูแลสุขภาพ:กรอบงาน OCBA แบบเบย์เซียนถูกนำมาใช้ในการจัดสรรทรัพยากรในแผนกฉุกเฉิน ของโรงพยาบาล โดยสร้างสมดุลระหว่างคุณภาพการบริการกับประสิทธิภาพการดำเนินงาน ด้วยการลดต้นทุนโอกาสที่คาดหวัง แนวทางนี้สนับสนุนการตัดสินใจแบบเรียลไทม์ในสภาพแวดล้อมที่มีความเสี่ยงสูง^{[ 23 ]}นอกจากนี้ การบูรณาการ OCBA กับการเพิ่มประสิทธิภาพแบบเรียลไทม์โดยใช้ดิจิทัลทวินได้พัฒนาการประยุกต์ใช้ในการเรียนรู้การจำลองเชิงทำนายให้ดียิ่งขึ้น ทำให้สามารถปรับเปลี่ยนการจัดสรรทรัพยากรแบบไดนามิกในสถานพยาบาลได้^{[ 24 ]}ยิ่งไปกว่านั้น วิธีการจัดอันดับและเลือกตามบริบทสำหรับการแพทย์เฉพาะบุคคลใช้ประโยชน์จาก OCBA เพื่อเพิ่มประสิทธิภาพการจัดสรรทรัพยากรในการรักษาที่ปรับให้เหมาะกับโปรไฟล์ผู้ป่วยแต่ละราย ซึ่งแสดงให้เห็นถึงศักยภาพใน การดูแลสุขภาพ เฉพาะบุคคล^{[ 25 ]}

การจัดสรรตามลำดับโดยใช้การคาดการณ์การเรียนรู้ของเครื่องเป็นการประมาณค่าแบบเบา (SAMPLE): SAMPLE เป็นส่วนขยายของ OCBA ที่นำเสนอโอกาสใหม่สำหรับการบูรณาการการเรียนรู้ของเครื่องกับดิจิทัลทวินเพื่อการเพิ่มประสิทธิภาพการจำลองแบบเรียลไทม์และการตัดสินใจ วิธีการปัจจุบันสำหรับการประยุกต์ใช้การเรียนรู้ของเครื่องกับข้อมูลการจำลองอาจไม่สร้างโซลูชันที่เหมาะสมที่สุดเนื่องจากข้อผิดพลาดที่เกิดขึ้นในระหว่างขั้นตอนการเรียนรู้เชิงทำนาย เนื่องจากข้อมูลการฝึกอบรมอาจมีจำกัด SAMPLE เอาชนะปัญหานี้โดยใช้ประโยชน์จากแบบจำลองการเรียนรู้ของเครื่องแบบเบา ซึ่งง่ายต่อการฝึกฝนและตีความ จากนั้นจึงทำการจำลองเพิ่มเติมเมื่อบริบทของโลกแห่งความเป็นจริงถูกจับได้ผ่านดิจิทัลทวิน^{[ 26 ]}

• การจัดสรรงบประมาณการคำนวณที่เหมาะสมที่สุด (OCBA) สำหรับการตัดสินใจโดยใช้การจำลองภายใต้ความไม่แน่นอน (การเพิ่มประสิทธิภาพการจำลอง)