Komplex rendszerek modellezésében igen gyakori, hogy a hagyományos modellezési eljárások nem, vagy csak nagyon korlátozott érvénnyel alkalmazhatók. Ezen rendszerek jellemzője, hogy komplexitásuk, illetve a leíró fizikai és kémiai törvényekben szereplő nehezen mérhető paraméterek miatt használható egzakt modelljük nem alkotható meg. Ugyanakkor gyakran megalkotható egy vagy több kvalitatív modell, amely részben a leíró fizikai törvényeken alapulhat, másrészt a rendszert kezelő, működtető személyzet által összegyűjtött heurisztikus ismereten. Ezen felül legtöbbször rendelkezésre áll a rendszeren végzett mérések, megfigyelések során összegyűjtött empirikus tudás. Az elmúlt évtizedben a komplex rendszerek modellezése területén több irányban (neurális hálózatok, fuzzy rendszerek, stb.) folytak kutatások de ezen módszerek jellemzője, hogy legtöbbször csak az egyik fajta tudás felhasználását támogatják. A mesterséges neurális hálózatok segítségével létrehozott modellek elsősorban a megfigyelések során előálló példákban megtestesülő tudás beépítését teszik lehetővé, míg pl. a működés során összegyűlt - rendszerint kvalitatív szabályokban megfogalmazódó - ismeret felhasználását nem támogatják. Ugyanakkor a szabályalapú és a fuzzy rendszereknél fordított a helyzet. Célszerűnek látszik ezért a különböző módszerek ötvözésével hibrid modelleket létrehozni, amelyek az egyes módszerek előnyös tulajdonságait egyesítik. Az elmúlt években megkezdődtek az ilyen irányú kutatások, de az önmagukban sem minden tekintetben kiforrott módszerek együttes alkalmazásának kutatása még csak a kezdeti fázisban tart. A kutatás során jelentős hangsúlyt kívánunk fektetni az egyes paradigmák (neurális, fuzzy, szabályalapú, stb.) alapján megvalósított alrendszerek együttműködésének vizsgálatára, illetve olyan komplex többszintű megközelítések kidolgozására, amelyek a hagyományos és az új eljárások ötvözeteként jönnek létre.