پس از گردآوری اطلاعات مورد نیاز، مولکول ها در نرم افزارhyper chem رسم و با روش نیمه تجربی و با استفاده از الگوریتم فلتچر- ریوز ساختارها بهینه و توسط نرم افزار dragonتوصیف کننده های هر مولکول محاسبه شد. برای حذف همبستگی توصیف کننده های مشابه، برنامه ای در نرم افزارmatlab نوشته شده و این توصیف کننده ها حذف گردیدند. سپس با استفاده ازنرم افزار matlab برنامه انواع مدل های خطی کمترین مربعات جزئی که شامل الگوریتم pls معمولی و الگوریتم کرنل pls و هم چنین برنامه مدل غیر خطی pls نیز نوشته شده است. در مرحله بعد با استفاده از همین نرم افزار، برنامه الگوریتم ژنتیکی برای انتخاب بهترین توصیف کننده ها از مدل های ، ،ga-kernel pls و ارائه گردید. سپس مجموعه داده های حاصل از الگوریتم ژنتیکی را برای ساخت بهترین مدل برای پیش بینی انتخاب می شود. در این مرحله داده ها را با مدل های خطی مانند و ارزیابی و اعتبار مدل خطی سنجیده می شود. اگر مدل دارای اعتبار کافی نباشد، از مدل های غیر خطی مانند kernel pls و استفاده می شود. از روش اعتبار متقاطع که برنامه آن نیز با استفاده از نرم افزار matlab نوشته می شود، برای ارزیابی اعتبار مدل استفاده می گردد. در پروژه اول با استفاده از ga-mlr و ga-pls به ساخت مدل هایی برای ارتباط بین ساختار96 ترکیب از سورفکتانت های دوقلوی آنیونی و غلظت بحرانی تشکیل مایسل پرداخته شد. خطای نسبی حاصل از هر مدل به ترتیب برابر 12/49 و 8/52 و مجذور ضریب همبستگی 0/51 و0/7 می باشد.. در دومین پروژه نیز ابتدا مدل های غیرخطی ga-kernel pls و ann در محیط مطلب نوشته شد وسپس ارتباط بین ساختار 96 ترکیب از سورفکتانت های دو قلوی آنیونی و غلظت بحرانی تشکیل مایسل این ترکیبات مورد بررسی قرار گرفت که مقدار خطای نسبی برای سری پیش بینی مدل ga-kernel pls برابر با 11/836 ارائه شد. توصیف کننده های حاصل از مدل ga-pls برای مدل ann انتخاب شد که درصد خطای نسبی برای سری پیش بینی مدل برابر 6/98 و درصد خطای نسبی برای سری آزمون برابر 7/58 گزارش شد.