在国家自然科学基金项目（批准号：72071146、72031006、72394375）资助下，同济大学范薇薇副教授、上海交通大学罗俊教授及合作者，从离散仿真框架中的首阶段采样这一重要环节切入，在提升优化算法效率方面取得进展，研究成果以“首阶段抽样在排序择优问题中的作用：超越方差估计（First-Stage Sampling in Ranking and Selection: Beyond Variance Estimation）”为题，于2025年在线发表于《运筹学》（Operations Research）期刊。论文链接：https://doi.org/10.1287/opre.2023.0705。
在实际需求不断增长和新兴技术快速迭代的背景下，当今的决策环境呈现出高度复杂性与不确定性的特征。如何充分利用计算资源，快速而准确地识别最优方案，不仅是管理实践中的核心挑战，也是人工智能、数据科学等前沿交叉学科的关键科学问题。作为应对这一难题的重要方法之一，离散仿真优化通过融合随机建模、统计学习与高性能计算，为多样化场景下的策略评估和优化提供了有力的工具。该研究在提升优化算法效率方面取得以下成果：
（1）揭示首阶段采样量的关键作用：发现首阶段采样量对算法效率具有深远影响，但这一现实长期被忽视，从而为提升离散仿真优化算法效率提供了全新的研究视角。
（2）量化首阶段采样量与算法效率的关系：通过布朗运动的时间可逆性和重对数律，在“有差异区域”和“无差异区域”两种经典框架下，推导出首阶段采样量与错误选择概率的明确公式关系，为优化算法效率提供了理论依据和量化工具。
（3）提出融合首阶段采样量的改进算法框架：设计了一种融合首阶段采样量的改进仿真优化算法框架，验证了其在保证正确率的同时显著提升算法效率，并为实际的首阶段采样量选择提供了指导。
（4）拓展“多更新点”机制：提出“多更新点”的新算法框架，可结合新采样的样本信息逐步更新算法参数，进一步提高算法的效率和适应性。
该研究在理论上挖掘了离散仿真优化框架中的首阶段采样量功能，为算法的效率提升提供了新的研究视角和分析工具；在实践上，帮助管理者更有针对性地确定首阶段采样量，为复杂随机场景下的决策提供可扩展的解决方案。