درخت تصمیم یکی از ابزارهای پرکاربرد یادگیری ماشین و داده کاوی است که مهم¬ترین مزیت آن قابل فهم بودن برای انسان است. در گذشته الگوریتم¬های بسیاری برای ساخت درخت تصمیم ارائه شده اند که بیشتر آن¬ها مبتنی بر یک فرایند حریصانه و تقسیم و حل هستند. در سال¬های اخیر، روش¬های تکاملی که مبتنی بر جستجوی سراسری هستند، رواج یافته اند. گسسته¬سازی فرایندی است که ویژگی¬های عددی را به صفات گسسته تبدیل می¬کند و الگوریتم¬هایی مانند درخت تصمیم را قادر می¬سازد تا با صفات عددی نیز کار کنند. تا جایی که نگارنده اطلاع دارد، هیچ کدام از الگوریتم¬های ساخت درخت گسسته¬سازی چندبازه¬ای را ارائه نمی¬کنند و باید از یک الگوریتم گسسته¬سازی جداگانه استفاده نمود. ما روشی مبتنی بر برنامه¬ریزی ژنتیک ارائه می¬دهیم که ساختاری منعطف¬تر برای درخت تصمیم در نظر می¬گیرد و فرایند گسسته¬سازی را با ساخت درخت ادغام می¬کند. عملگرهای ژنتیک ویژه¬ای برای کار با این ساختار تعریف می¬شوند. به علاوه عملگرهایی برای اصلاح درخت نیز ارائه شده اند. نتایج مقایسه با الگوریتم¬های کلاسیک نشان می¬دهد که الگوریتم پیشنهادی تعادل خوبی بین دقت و اندازه درخت برقرار می¬کند، اما سرعت آموزش آن پایین¬تر از روش¬های تکاملی است.