یکی از چالش¬های اساسی در فرآیند نانو دارورسانی، کاهش اندازه ذره دارو می¬باشد که موجب افزایش انحلال پذیری آن می¬گردد. به علت نیاز به هزینه و زمان زیاد، از مدل¬سازی ریاضی به عنوان جایگزینی برای انجام آزمایش استفاده می¬شود. روش مورد بررسی در این پژوهش، استفاده از جت برخوردی در فرآیند رسوب گذاری با ضد حلال مایع می¬باشد. در این پژوهش ابتدا متغیرهای تأثیرگذار بر فرآیند شناسایی و سپس با استفاده از روش دسته بندی گروهی داده¬های عددی (gmdh) بهبود یافته با الگوریتم ژنتیک، مدلی ریاضی جهت پیش بینی اندازه نانوداروی کاربامازپین توسعه یافت. متغیرهای تأثیرگذار شامل غلظت داروی کاربامازپین، شدت جریان ضدحلال، شدت جریان محلول و نوع حلال (متانول و اتانول) بودند. جهت اجرای شبکه، 80 درصد داده¬ها به عنوان داده آموزش و 20 درصد داده¬ها به عنوان داده آزمایش در نظر گرفته شدند. نتایج نشان داد که روش gmdh بهبود یافته با الگوریتم ژنتیک در داده های متانول، اتانول و ترکیب داده-های متانول و اتانول به ترتیب با مقدار ضریب تعیین 931/0، 91/0، و 903/0 دارای عملکرد قابل قبولی می¬باشند. جهت نشان دادن برتری gmdh نسبت به شبکه¬های عصبی دیگر، داده¬های موجود با شبکه عصبی مصنوعی و سیستم¬های استنتاجی فازی - عصبی تطبیقی نیز مدل¬سازی گردیدند. با توجه به نتایج به دست آمده و در نظر گرفتن عدم ارائه معادله-ای ریاضی توسط این دو روش، می¬توان نتیجه گرفت که gmdh روشی کارآمدتر در این زمینه می¬باشد. به علت پیچیده بودن رابطه توسعه یافته با gmdh، با استفاده از آنالیز ابعادی و به کمک روش تجزیه مقادیر منفرد (svd) و الگوریتم ژنتیک، معادلاتی ساده و بی بعد به دست آورده شد. ضریب تعیین معادلات حاصل از svd و svd بهبود یافته با الگوریتم ژنتیک به ترتیب برابر 529/0 و 569/0 بود که نشان دهنده دقت قابل قبول این روش در عین ساختار ساده آن است.