На сьогодні людство у своїй діяльності доволі часто взаємодіє зі складними системами економічної, транспортної, будівельної та багатьох інших галузей. Складність цих систем проявляться у великій кількості зв’язків між елементами, що поєднані не лише між собою, а й з іншими підсистемами. Кожна з таких галузей складається з уже добре вивчених і проаналізованих систем, як, наприклад, нарахування заробітної плати працівникам. Але, окрім того, до їх складу входять також системи, які спираються на якісну складову, що ще не мають розвиненого математичного опису. До таких систем належить вплив внутрішнього клімату, що поєднує членів колективу організації, на продуктивність праці. Науковцями запропоновано для вирішення цієї проблеми багато різних підходів, що ґрунтуються на використанні статистичних, диференційних методів. Навіть доволі популярне на сьогодні машинне навчання також використовується в таких задачах. Але переважна більшість з них має складну структуру, що проявляється у використанні апарату вищої математики. Через це розуміння самої моделі, її застосування відходить на другий план. Отже, насамперед постає вимога знати й орієнтуватися в складному математичному описі. Через це лише вузьке коло спеціалістів здатне застосовувати моделі, що побудовані з використанням такої технології. Автори статті пропонують свій підхід, в основі якого лежить метод штучного інтелекту. Йдеться про «м’які» методи, що складаються з таких складових, як нейронні мережі, генетичні алгоритми та нечіткі множини. Саме на останніх автори і зосередили найбільше свою увагу для оцінки об’єктів складних систем. Звичайно, одного методу замало, щоб розроблена модель змогла адекватно представити роботу системи, що досліджується. Отже, для забезпечення можливості її динамічного опису також були задіяні методи генетичного алгоритму. Звичайно, такі методи також мають математичний опис. Але, на відміну від строгих математичних методів, у цих двох підходах штучного інтелекту доволі добре представлена наочна складова. Це дає змогу майже відразу відповідати на питання, як було отримано те чи інше значення в процесі роботи моделі з можливістю не використовувати для цього формули. У результаті проведеної роботи створено структурну нечітку модель, що розширена методами кросинговеру та селекції.