روشهای مبتنی بر هوش مصنوعی اخیراً توجه بیشتری را در مدلسازی فرآیند بارش- رواناب به خود جلب کرده است.برنامه ریزی ژنتیکgp به عنوان یکی از زیر شاخه های مهم هوش مصنوعی است، که در این تحقیق استفاده شده است.در این مطالعه دو رویکرد مختلف که توسط محققین پیشین در مدلسازی بارش- رواناب با برنامه ریزی ژنتیک استفاده شده بود ، با هم مقایسه شده است.نتیجه اساسی حاصل از این مقایسه بر توانایی روشgp در انتخاب متغیرهای موثر بر مدل تاکید دارد. برای بهبود نتایج بدست آمده از gp از روش رگرسیون غیر خطی استفاده شده است. در این روش با استفاده از حداقل خطای مربعات غیر خطی مدل حاصل شده از رگرسیون سمبلیک بهینه سازی شده است.همچنین استفاده از روش برنامه ریزی ژنتیک برای تعیین رگرسورها در روش رگرسیون خطی به جای استفاده از روش رگرسیون گام به گام به عنوان کاربرد دیگری از gp در مدلسازی بارش- رواناب ارائه شده است.یکی از مشکلات پیش رو در اجرای برنامه ریزی ژنتیک پدیده رشد بیش از حد برنامه بدون بهبود قابل توجهی در تناسب برنامه است، که به آن در اصطلاح پف کردن برنامه اطلاق می شود.روشهای مختلفی برای کنترل این پدیده توسط محققین ارائه شده که در این مطالعه این روشها در حوزه شبیه سازی بارش- رواناب مقایسه شده و بهترین آنها به نام روش اتاق انتظار (waiting room) معرفی شده است.رویکرد این تحقیق در هرچه بهتر کردن روشهای قبلی و رفع نقایص احتمالی بوده است و مدلهای دیگر ارائه شده در این تحقیق نه با هدف مقایسه بلکه به جهت ارائه کاربرد هایی از برنامه ریزی ژنتیک در این روشهای مدلسازی است. در حالت کلی هدف این مطالعه را می توان تحلیل توانائی ها و بررسی نقطه ضعف های روش برنامه ریزی ژنتیک دانست.