最优方案的选择与排序问题在仿真优化领域是一个非常热门的问题，很多学者已经对无约束条件限制的最优方案的选取，最优多方案的选择，最优多方案的选择与排序，以及有约束条件限制的最优方案的选择等问题做了研究，但是对于受随机约束条件限制的最优多方案的排序问题，学术界还缺少相关研究。而本文所做的研究工作是，在受随机约束条件限制的众多方案中对最优多个方案进行排序,因此本文的研究具有很好的研究价值。针对所要研究的问题，本文采用最优计算量分配（Optimal Computing Budget Allocation, OCBA）方法进行分析求解，首先对所要解决的问题进行详细的数学描述，并举现实生活中的具体例子来说明；其次，根据前面的数学描述和现实意义，给出符号标识并建立OCBA仿真模型；然后采用各种手段对所建立的OCBA模型进行求解，从而得出能够运用于指导计算机仿真实验的分配规则；最后将前一步推导出的OCBA分配规则引入计算机仿真实验，得出所研究问题的OCBA分配规则的仿真实验结果。一个问题的仿真效果的好坏是通过与其他方法进行对比才能体现出来的，所以本文在仿真实验中，引入了其他方法与OCBA 方法进行对比。在数值实验中，本文采用蒙特卡洛仿真方法进行了计算机仿真实验，最终验证了最优计算量分配（OCBA）方法在解决上述本文所要研究问题上具有明显的优势。在对本文问题的求解中得出的OCBA分配规则进行仿真实验时，本文与另外三种分配规则进行比较，这三种方法是平均分配规则（EA），方差成比例分配规则（PTV），以及Xiao等人在2014年研究的对于在无约束条件限制的众多方案中对最优多方案的选择并排序问题的OCBA分配规则，简称为AAm。当然，为了使得实验具有可比性，在对后三个分配规则进行仿真实验时，我们同时加入约束条件的限制，且所有分配规则在同一个实验中选择排序的编号顺序保持一致。因为本文研究的问题是从Xiao等人在2014年研究的问题的基础上延伸出来的，所以本文也将会对本文提出的分配规则与Xiao等人在2014年研究中提出的AAm分配规则进行比较，让读者能够有一个拓展延伸的思维看待问题。在这个对比实验中，AAm分配规则不需要考虑随机约束条件的限制。本文提出的OCBA分配规则旨在提高处理受随机约束条件限制的最优子集排序问题的仿真效率。该研究填补了仿真优化领域对于受随机约束条件限制的多方案选择和排序的空缺，选取的最优计算量分配（OCBA）方法也大大提高了仿真实验的效率。