動態系統的「非線性」項，過去吾人礙於求解的困難常加以忽略。近年來隨著電腦數值模擬技術的勃興，並在少數前沿學者的持續鑽研下，不斷有證據顯示：在某些情況下，它對於所處系統具有不可忽略的影響性。現今，隨著企業經營環境的變遷加速，企業經營問題中所潛藏的非線性因素也日益關鍵。探討非線性動態系統的相關理論與學問中，舉其著名者有：混沌理論、複雜科學、以及系統動力學等。其中，以系統動力學較擅長於處理社經系統中的非線性問題，特別是動態性複雜問題。這類問題，一般而言，除了已很棘手的非線性外，尚伴隨著多變數、時間滯延、與資訊回饋等特性，所造成的現象常出人意表，且往往令人束手無策。
就目前系統動力學的發展而言，發掘出動態性複雜問題背後的主導結構並不困難，困難的是不易尋出既有效又省力的高槓桿對策，尤其是結構層次的對策。此類對策或稱之為閉環解，有別於參數層次的對策─或稱為開環解。它們的優劣，好比導彈之於砲彈，後者無法隨著情境的改變而調整，然前者卻可不斷的依據當下系統狀態回饋修正。目前雖有些研究著眼於此，不過成果有限︰易用的方法只能得到開環解，而能求得閉環解的方法卻又難用，且只適用於經線性化近似的系統。本研究之目的即在於挑戰此一難題︰發展出一套既能求得高槓桿閉環解又易於使用的正規化方法。
本套方法由微世界（以系統動力學模式為基礎，貌似角色扮演類的電腦遊戲，使用者扮演微世界中經營者進行決策）的相關研究中獲得啟發。該類研究發現人類在微世界中，即便始終不了解結構，經過反覆嘗試錯誤的練習後，績效仍舊明顯提升。此一發現顯示人腦試誤學習的能耐有助於克服動態性複雜問題，故本研究借鏡之，以發展本套方法。
本套方法的運作方式，在觀念上的類比：好比召集了一群具有試誤學習能耐的個體，讓它們以嘗試錯誤的方式操作微世界。這些個體經過反覆多次的練習後，績效漸趨於穩定。此時，依據績效的好壞，選出其中最好的若干個體，讓它們兩兩交配，繁衍下一代。其中它們所習得的決策法則亦混血後遺傳給下一代。如此經過了數代的演化競爭後，從中選出績效最優的個體，以它的決策規則，建構該微世界模式的高槓桿決策函數。
本套方法在實際執行時，分成兩階段進行：第一個階段以Powell最佳演算法配合傅立葉級數求取開環解；第二個階段則根據開環解作用於系統模式產生的結果求取閉環解。本研究結合了仿自然界天演的遺傳演算法與仿神經網路的倒傳遞演算法，開發一電腦程式GNN(Genetic Neural Network)來處理第二階段的求解過程。
本套方法的實作評估，我們選取了三個經典模式為實作對象。前兩個模式分別以成長為目標及穩定為目標，涵蓋了系統最主要的兩類目標。實作結果顯示：在成長模式中，若干不同情境下，本套方法所獲得的閉環解，皆優於原模式的改善對策。在穩定模式中，若在原有情境下，優於原模式的改善對策。若在其它情境則互有高下。最後一個實驗，則是比較本套方法與 Macedo的正規化方法處理同一模式之高下。結果顯示，本套方法所獲得的閉環解仍優於Macedo的正規化方法的解。
最後，本研究探討了本套方法在管理上的兩種引伸應用，一是決策攸關資訊的評選，另一是組織目標體系的建立。這兩種應用，實質上乃是觀點的轉換所帶來的啟發。決策函數由三個部分構成，一是輸入決策函數的自變數、二是這些自變數的函數關係、三是因變數。由於因變數作用於系統的決策點，因此自變數等同於進行決策所須考慮的資訊項目。故篩選決策攸關資訊，其實等同於尋找高槓桿決策函數，因為所謂的「高槓桿」決策函數就是決策績效佳的函數，此時該函數的自變數就是可提升決策績效的攸關資訊項目。再換另一個觀點來看，由於本套方法乃是根據全系統目標來求取高槓桿決策函數，所以全系統目標必然與高槓桿決策函數的輸出值搭配良好，而此值等同於因變數作用的決策點處的目標值。故可將此套方法應用於組織垂直目標體系的建立。

Designing high leverage decision function is a very crucial and challenging step in system dynamics approach. However, very limited formal methods were developed in this area. Literature showed that these methods which can obtain structural decision function are not easy to use and not suitable for nonlinear models, but these methods which are easy to use and suitable for nonlinear models can’t obtain structural decision function. So the objective of the study is to develop an easy and formal method for generating structural high leverage decision function in system dynamics models. The idea of the method came from our experimental studies of microworlds. In which we observed that if the subjects repeatedly play a microworld by trial and error, they could often implicitly learn how to control the microworld even when they did not know the underlying structure. This kind of cognitive behavior is useful for controlling system dynamics models. So we imitated it to construct a working hypothesis. And then we followed the working hypothesis to direct the development of our method. In short, this kind of cognitive behavior has two major activities: selecting information and organizing information. We adopt the genetic algorithm as the mechanism for selecting information, and adopt the back-propagation algorithm as the mechanism for organizing information. Actually, there are two stages in the operational process. The first stage is to obtain the open loop solution of the system by the Powell optimal algorithm combining Fourier series. The open loop solution is the optimal trajectory of decision point. The second stage is to obtain the closed loop solution, that is structural decision function, based on the open loop solution by GNN (Genetic Neural Network software, combining genetic algorithm and artificial neural network.) We applied the method to two different types of model: the growing oriented model--Forrester’s market growth model, and the stable oriented model--Forrester’s customer-producer-employment model. The results of two experiments showed that the performance of the decision functions obtained by our method both are better than that of Forrester’s decision functions. Then we compared our method with Macedo’s formal method. The result also showed our method better than Macedo’s. There are two implications of management developed by the study based on our method. One is to screen decision relevant information. And the other is to reconcile the dynamic complex conflicts among the hierarchy of objectives.