Hallo in die Runde.
ähnlich zu den evolutionären Algorithmen sind stochastische Methoden.
Bei sehr komplexen und nichtlinearen Modellen kann man Monte Carlo Simulation verwenden. Schaut mal unter "Arie Dubi Israel" in Google nach, ist schon etwas älter, aber immer noch gut! Damit wurden hochkomplexe Prozesse bei Militär und Bahn untersucht, zum Beispiel die sichere Maintenance und Einsatzbereitschaft von Militärflugzeugen der israelischen Luftwaffe geplant. Stochastische Simulation nutzt man auch bei der Crash Simulation, die extrem nichtlinear sein kann. Man baut dabei ein nahezu beliebig komplexes Modell mit n Modellvariablen auf. Jede Variable besitzt aber in der Realität/im Test so gut wie nie den idealisierten Modell(mittel)wert, sondern weicht in der Regel davon ab in Form einer Wahrscheinlichkeitsverteilung um einen Mittelwert herum (zB für Blechdicke, Dummyposition, Crash-Geschwindigkeit); meist aber ist es eine Gaußverteilung. Eine Besonderheit sind Designvariablen, diese können zum Beispiel auch gleichverteilt sein in Designbereich. Dann macht man m Simulationen mit m Modellen, wobei man für jede der m Simulationen alle Variablen per Zufallsgenerator berechnet und einsetzt. Konkret wird für jede der n Variablen ein m-ter Wert per Zufallsgenerator so berechnet, dass die Wahrscheinlichkeitsverteilung für alle m Werte der Variable wieder deren definierter Wahrscheinlichkeitsverteilung entspricht (Beispiel für m=10, Stahldicke ist 10,0mm+-1,0mm --> Werte sind ähnlich 10,3; 10,8; 8,9; 10,1; 9,7; 9,2; 9,7;10,2; 11,0; 10,1 geschätzt, dies sollte grob eine Gaußverteilung ergeben;-) Das macht man ähnlich für alle anderen der n Variablen. Man erhält so m realitätsnahe Modelle. Mit diesen m Modellen führt man die m Simulationen (mit Variation der n Variablen) durch und erhalt dann m Ergebnissätze mit p Ergebniswerten, (Ergebniswerte sind zB Kopfverletzungsschwere, Beschleunigung,..). Da m Simulationen durchgeführt wurden, erhält man m * p Ergebniswerte. Diese kann man grafisch auftragen, als Kurven, Ergebniswolken, Dichtefunktionen darstellen oder über Korrelationsanalysen (Input-Input, Input-Output, Output-Output) weiter untersuchen. Die Methode hat den Vorteil, dass der Rechenaufwand nicht exponentiell ansteigt mit der Parameterzahl! Eigentlich kann man fast beliebig komplexe Probleme damit lösen, auch wenn sie nichtlinear sind. Man muss nur die Eingangsvariablen und Designvariablen kennen oder schätzen und deren Verteilung in der Simulation berücksichtigen. Genial wird es, wenn man mit Hilfe von Designvariablen eine stochastische Optimierung durchführt. Diese kann ähnlich wie beim evolutionären Algorithmus in mehreren Schritten stattfinden. Besonders interessant sind auch die Robustheitsuntersuchungen mit dieser Methode, die Robustheit ist oft aus "Ergebniswolken" deutlich erkennbar.
Ich bin überzeugt davon, dass man damit dieses komplexe oben beschriebene Problem lösen kann und Zustandswahrscheinlichkeiten für nahezu beliebige Szenarien berechnen kann.
Wir haben die Methode "Stochastic Optimization and Robustness Management" vielfach erfolgreich im Bereich der Fahrzeugsicherheit verwendet. Arie Dubi im Logistik und Militärbereich. Man kann sie auch zur Bildung von virtuellen Testergebnissen als Training für KI einsetzen, zB für das autonome Fahren. Warum jetzt nicht auch im Energiebereich?
Eine Software dazu findet man unter Complexity Management: Link entfernt
Ich glaube, fähige Programmierer können das selbst entwickeln.