diff --git a/README.md b/README.md
index e69de29..cb10e4f 100644
--- a/README.md
+++ b/README.md
@@ -0,0 +1,66 @@
+# Inteligentna śmieciarka 2000
+Projekt wykorzystuje **algorytm genetyczny** do znalezienia optymalnej trasy dla śmieciarki
+
+# Przebieg algorytmu
+Algorytm rozpoczynamy od stworzenia populacji:
+
+```python
+for i in range(totalPopulaton):
+population.append(DNA(goals) 
+```
+Następnie, dla każdego członka populacji, obliczamy jego `.fitness`, czyli dystans, jaki musi pokonać przemierzając punkty w wyznaczonej kolejności, jednocześnie zapisując najlepszy wynik
+
+```python
+for i in range(totalPopulaton):
+	population[i].calcFitness(A)
+
+	if population[i].fitness < recordDistance:
+	recordDistance = population[i].fitness
+	best = copy.deepcopy(population[i])
+	bestGeneration = generation
+```
+Mnożąc `.fitness * 100`  zwiększamy częstotliwość pojawiania się danego wyniku w tablicy, tym samym zwiększając prawdopodobieństwo na jego późniejsze wylosowanie
+```python
+for i in range(totalPopulaton):
+	n = population[i].fitness * 100
+
+for j in range(int(n)):
+	matingPool.append(population[i])
+```
+
+Na końcu mieszamy 2 losowe obiekty za  pomocą `.crosover()`, poddajemy mutacji `.mutate()` i powtarzamy cały kod, ze zmienioną populacją
+
+```python
+child = partnerA.crossover(partnerB)
+
+child.mutate(mutationRate)
+
+population[i] = child
+```
+
+# Opis funkcji `DNA`
+* `crosover`
+Funkcja dzieli listę punktów w 2 losowych miejscach, a następnie uzupełnia wolne pola pozostałymi punktami 
+```python
+child = DNA(self.genes)
+start = abs(random.randint(0, len(self.genes)) - 1)
+end = abs(random.randint(start - 1, len(self.genes)))
+
+child.genes = child.genes[start:end]
+
+for i in range(len(self.genes)):
+	node = partner.genes[i]
+
+	if node not in child.genes:
+	child.genes.append(node)
+```
+
+*`mutate`
+Jeśli wylosowana liczba będzie mniejsza niż `mutateRate`,  funkcja zamienia jeden element populacji z jego sąsiadem
+```python
+if random.random() < mutationRate:
+	indexA = abs(random.randint(0, len(self.genes)) - 1)
+	indexB = (indexA + 1) % len(self.genes)
+	self.genes[indexA], self.genes[indexB] = self.genes[indexB], self.genes[indexA]
+```
+