def algorithm(fun,pop_size, pk, pm, generations, dx):

    fun=obj_func

    B,dx_new = nbits(-5.12,5.12,dx) #ILE BITÓW POTRZEBA DO ZAKODOWANIA
    pop=gen_population(pop_size,N, B) #GENEROWANIE POPULACJI

    tab_decode=np.zeros((pop_size,N))
    for i in range(0,pop_size):
        tab_decode[i]=decode_individual(pop[i], N, B, -5.12, dx_new)
        #ROZKODOWYWANIE OSOBNIKÓW

    evaluated_pop=evaluate_population(fun, pop, N, B, -5.12, dx_new)
    #OCENA OSOBNIKÓW

    best_individual, best_value=get_best(pop, evaluated_pop)
    #NAJLEPSZY OSOBNIK W DANEJ POPULACJI

    new_pop=pop
    best_sol_value=best_value
    best_generation=0

    list_best=[]
    list_best_generation=[]
    list_mean=[]

    for i in range (0,generations):

        new_pop=roulette(new_pop, evaluated_pop) #SELEKCJA
        new_pop=cross(new_pop, pk) #KRZYŻOWANIE
        new_pop=mutate(new_pop, pm) #MUTACJA
        evaluated_pop=evaluate_population(fun, new_pop, N, B, -5.12, dx_new) #OCENA
        best_individual, best_value=get_best(new_pop, evaluated_pop) #WYBÓR NAJLEPSZEGO

        list_best_generation.append(best_value) #LISTA Z NAJLEPSZYMI OCENAMI W KAŻDYM POKOLENIU
        suma=evaluated_pop.sum()
        srednia=suma/pop_size
        list_mean.append(srednia) #LISTA ŚREDNICH OCEN W KAŻDYM POKOLENIU

        if(best_value > best_sol_value):
            best_sol=best_individual
            best_sol_value=best_value
            list_best.append(best_value) #LISTA Z NAJLEPSZYMI OCENAMI DO TEJ PORY
            best_generation=i+1
        else:
            list_best.append(best_sol_value)

    return(best_sol, best_generation, list_best, list_best_generation, list_mean)