به طور کلی، توانایی شبیه سازی مناسب یک رودخانه بر اساس دانش مقدماتی نسبت این ضریب می باشد. اما معمولاً اطلاعات ما از خصوصیات رودخانه ی مورد مطالعه به منظور تخمین این ضریب کافی نمی باشد و همچنین بدست آوردن اطلاعات مورد نیاز در این زمینه نیز پرهزینه و زمانبر می باشد در فرآیند معمول مدل سازی یک رودخانه، ابتدا ضریب زبری آن به عنوان یک ضریب ثابت و معلوم به برنامه داده می شود و سپس برنامه اقدام به حل مدل می نمایند. هدف از حل مدل نیز بدست آوردن متغیر های مجهول مسئله که همان تراز سطح آب و دبی جریان(یا سرعت) در نقاط گرهی در طول رودخانه می باشد. در مسئله ی پیش روی، هدف ما تعیین ضرایب زبری مجهول در رودخانه می باشد. در این حالت به طور معکوس با داشتن مقادیر واقعی رقوم سطح آب و دبی جریان در نقاط شاهد به تعیین این ضرایب زبری در طول رودخانه اقدام می کنیم. در فرآیند بهینه یابی به منظور یافتن ضرایب مانینگ در رودخانه ، ابتدا الگوریتم ژنتیک مقادیر اولیه ای از ضریب زبری مانینگ به منظور تخمین آن تولید می کند. سپس این مقادیر تولید شده به عنوان ورودی به برنامه mike11داده می شود. برنامه mike11این مقادیر اولیه را به عنوان ضرایب مانینگِ محدوده ی مورد مطالعه اختصاص می دهد وسپس این مدل هیدرولیکی را با توجه به آن ضرایب حل می نماید. مقادیر متغیرهای رقوم سطح آب و دبی بدست آمده از حل mike11 مسلماً با مقادیر برداشت شده در نقاط شاهد متفاوت خواهد بود. لذا با نوشتن یک تابع که حاصل جمع مربع تفاضلات مقادیر رقوم سطح آب و دبی محاسبه شده در نقاط شاهد به مقادیر موجود(برداشت شده) در نقاط شاهد است، در هر بازه زمانی اقدام به مینیمم کردن این تابع می کنیم. روش مورد استفاده در بهینه کردن و رفتن به سمت مینیمم برای این تابع روش جدید الگوریتم تکاملی ژنتیک است که از جدید ترین و سریع ترین روشهای حل مسائل بهینه سازی غیرخطی است. حاصل بهینه کردن این تابع عبارت است از مقادیر ضرایب زبری بهینه در هر بازه ی اختصاص یافته در طول رودخانه مورد مطالعه می باشد.