در این مقاله، مسئله ی یافتن جاذب ها در شبکه های بولی سنکرون مورد بررسی قرار می گیرد. الگوریتم های تصمیم بولی مبتنی بر دیاگرام   که امروزه وجود دارد، به دلیل  اینکه دیاگرام های تصمیم نیازمندی زیادی به حافظه دارند، از ظرفیت محدودی برخوردار هستند. الگوریتم های مبتنی بر شبیه سازی  را می توان بر روی شبکه های بزرگتر بکار برد، ولی چنین الگوریتم هایی کامل نیستند. در این مقاله، ما الگوریتمی را ارائه می دهیم که از مدل کرانه دار مبتنی بر SAT استفاده کرده تا تمامی جاذب ها در شبکه های بولی را پیدا کند. بهره وری این الگوریتم نیز به وسیله ی تحلیل هفت مدل شبکه از پروسه های بیولوژیکی واقعی ، و همچنین 150 هزار شبکه ی بولی که به تصادفی در اندازه هایی بین 100 و 7000 ایجاد شده اند، ارزیابی خواهد شد. نتایج بدست آمده  نشان داده است که روش اتخاذی ما، این قابلیت را داشته تا مرتبه ی مقیاس مدل های بزرگتر را نسبت به مدل های فعلی مدیریت کند.

یک شبکه ی تنظیمی ژن(GNR)  را می توان مجموعه ای از بخش های DNA در یک سلول دانست، که ژن نام دارد دانست، که با همدیگر تعامل دارند[1]. هر ژن، شامل اطلاعاتی بوده که مشخص می کند که ژن چه کاری انجام می دهد و این ژن چه زمانی فعال یا منقضی است. زمانی که ژن فعال است، یک پروسه ای که رونویسی نام دارد رخ داده و یک اسید ریبونوکلئیک(RNA)  که یک کپی از اطلاعات ژن بوده ایجاد می کند. این قسمت از RNA ، می تواند ترکیب پروتئین ها را هدایت کند. RNA یا  مولکول های پروتئینی حاصله از پروسه ی رونویسی، به عنوان فراورده های ژن شناخته می شود.

بسیاری از مدل های ریاضی GRN که تا کنون پیشنهاد شده اند، شامل معادلات دیفرانسیل جزئی و معمولی، شبکه های بولی و قابلیت تعمیم آنها، شبکه های پتری ، شبکه های بیزی، معادلات استوکاستیک هستند[2]. عموماٌ یک تنشی بین عمومیت یک مدل و قابلیت پی گیری وجود دارد. یک چارچوب ریاضی خوب ، بسته به مقیاس، ماهیت اطلاعات موجود و مسئله ی مطالعه شده انتخاب می شود.