diff --git a/LechT.md b/LechT.md
index 248db57..e0157fe 100644
--- a/LechT.md
+++ b/LechT.md
@@ -4,12 +4,12 @@
 ### Omówienie projektu
 
 
-Celem projektu jest znalezienie najoptymalniejszej drogi między zajętymi regałami a miejscami odbioru paczki.
+Celem projektu jest znalezienie najbardziej optymalnej drogi między zajętymi regałami a miejscami odbioru paczki.
 Projekt wykorzystuje wcześniej opracowany algorytm AStar, który jest opisany w pliku [route-planning](https://git.wmi.amu.edu.pl/s444399/AI/src/master/route-planning.md).
-Moduł podprojektu uruchamia się po uruchomieniu programu oraz kliknięciu **g** na klawiaturze. Omawiany moduł genetyczny podprojektu w dalszej części raportu będzie się pojawiał w skrócie jako **mdg**.
+Moduł podprojektu uruchamia się po uruchomieniu programu oraz naciśnięciu **g** na klawiaturze. Omawiany moduł genetyczny podprojektu w dalszej części raportu będzie się pojawiał w skrócie jako **mdg**.
 
 ### Opis składowych elementów wykorzystanych w **mdg**
-* Gen - jest to najmniejszy wykorzystywany obiekt, reprezentujący zajęty regał, kóry ma określony koszt do danego miejsca odbioru
+* Gen - jest to najmniejszy wykorzystywany obiekt, reprezentujący zajęty regał, kóry ma określony koszt do danego miejsca odbioru paczki.
 * Chromosom - jest to uporządkowany zbiór Genów, który reprezentuje kolejność odbioru paczek, końcowa długość wynika z ilości paczek na magazynie.
 * Populacja - jest to zbiór chromosomów.
 * Funkcja fitness - funkcja obliczająca całkowity koszt chromosomu.
@@ -20,11 +20,11 @@ Moduł podprojektu uruchamia się po uruchomieniu programu oraz kliknięciu **g*
 
 ### Dane wejściowe
 
-Podane przez urzydkownika przed uruchomieniem programu:
+Podane przez użytkownika przed uruchomieniem programu:
 
 * ileGeneracji - wartość, która definiuje ile generacji ma się wykonać po uruchomieniu modułu **mdg**,
 * ileWPopulacji - wartość, która definiuje ile chromosomów ma się znajdować w Populacji
-* fragment - wartość z zakresu (0,1), która względnie do długości chromosomu określa fragment, który będzie dziedziczony, przy tworzeniu nowego chromosomu.
+* fragment - wartość z zakresu (0,1), która zależnie do długości chromosomu określa część, która będzie dziedziczon. przy tworzeniu nowego chromosomu.
 * mutacja - wartość z zakresu (0,1), która określa jaka część nowo tworzonego chromosomu, po dziedziczeniu, ma zostać losowo zmieniona.
 * unbox - wartość określająca do jakiego miejsca odbioru ma się kierować wózek 
 <br/> 
@@ -35,7 +35,7 @@ Podane przez urzydkownika przed uruchomieniem programu:
 <br/><br/>
 Po uruchomieniu programu:
 
-* generowanie losowo rozmieszczonych paczek na regałach - za przycisku **r** na klawiaturze.
+* generowanie losowo rozmieszczonych paczek na regałach - po naciśnięciu **r** na klawiaturze.
 
 
 ### Integracja
@@ -48,7 +48,7 @@ Uruchomienie **mdg**:
                 if event.key == pygame.K_g:
                     start(self.data,self.wheel)
 
-Po zakończeniu algorytmu, uruchaminy modul który rozwiezie paczki do miejsca odbioru:
+Po zakończeniu algorytmu, uruchamiamy moduł, który rozwiezie paczki do miejsca odbioru:
 
                     for gen in self.data.best[0]:
                         if(gen.unboxWczesniejszegoGenu == None):
@@ -85,7 +85,7 @@ Po zakończeniu algorytmu, uruchaminy modul który rozwiezie paczki do miejsca o
     
         rysujWykres(data, ileGeneracji, 0, 2000)
         
-W celu modyfikacji danych wejściowych należy zmienić wartości zmiennych, pamiętając o podanych powyrzej ograniczeniach.
+W celu modyfikacji danych wejściowych należy zmienić wartości zmiennych, pamiętając o podanych powyżej ograniczeniach.
 
 Powyżej fragment kodu reprezentujący działanie pętli, której iteracje odpowiadają tworzeniom nowych generacji.
 
@@ -169,7 +169,7 @@ Odpowiednio:
             populacja.append(genRandomChromosome(data))
         return populacja
 Odpowiednio:
-* Dla podanej wartości *ileWPopulacji* funkcja generuje losową populację wykorzystując metodę losowego chromosomu, wykonując tyle iteracji ile wynosi wartość.
+* Dla podanej wartości *ileWPopulacji* funkcja generuje losową populację, wykonując tyle iteracji ile wynosi wartość.
 
 #### Selekcyjny wybór najlepszych chromosomów z pośród populacji na podstawie funkcji fitness
 *W pliku genetyczne.py*   
@@ -201,7 +201,7 @@ Odpowiednio:
 Odpowiednio:
 * Zmienna *koszt* jest sumą całkowitą kosztów przejechania trasy.
 * Pętla *for* iteruje się tyle razy ile jest genów w chromosomie.
-* W pierwszej iteracji koszt jest liczony dla pierwszego genu w chromosomie wywołując AStar, z pozycji początkowej wózka do miejsca regału.
+* W pierwszej iteracji koszt jest liczony dla pierwszego genu w chromosomie wywołując AStar, z pozycji początkowej wózka, do miejsca regału.
 * Dla reszty iteracji jest sprawdzane do którego unboxa będzie jechać wózek, i taka wartość kosztu jest dodawana co całkowitej sumy oraz koszt przejechania od unboxa poprzedniego genu do regału (zmienna *unboxPoprzedniegoGenu*)