Die Lösung von Geometrieaufgaben stellt eine erhebliche Herausforderung für die Community der natürlichsprachlichen Verarbeitung (NLP) dar. Bestehende Ansätze basieren häufig auf Modellen, die für das Lösen von Textaufgaben im Bereich der Mathematik entwickelt wurden, und ignorieren dabei die einzigartigen Merkmale von Geometrieaufgaben. Zudem konzentriert sich die aktuelle Forschung hauptsächlich auf Berechnungsprobleme in der Geometrie, während andere wichtige Aspekte wie Beweise vernachlässigt werden. In dieser Studie adressieren wir diese Einschränkungen durch den Vorschlag des Geometry-Aware Problem Solver (GAPS)-Modells. GAPS ist speziell darauf ausgelegt, Lösungsprogramme für verschiedene Arten von Geometrieaufgaben zu generieren, unterstützt durch seinen einzigartigen Aufgabentypenklassifizierer. Um dies zu erreichen, behandelt GAPS das Lösungsprogramm als Zusammensetzung von Operatoren und Operanden und trennt ihre Generierungsvorgänge voneinander. Darüber hinaus führen wir eine Methode zur Verbesserung geometrischer Elemente ein, die die Fähigkeit von GAPS erhöht, geometrische Elemente präzise zu erkennen. Durch diese Verbesserungen zeigt GAPS bemerkenswerte Leistungen bei der Lösung von Geometrieaufgaben. Unsere Experimente am UniGeo-Datensatz belegen die Überlegenheit von GAPS gegenüber dem aktuellen Stand der Technik-Modell Geoformer. Insbesondere erreicht GAPS eine Genauigkeitsverbesserung von mehr als 5,3 % bei Berechnungsaufgaben und einen beeindruckenden 41,1 % bei Beweisaufgaben. Besonders auffällig ist die hohe Genauigkeit von 97,5 % bei Beweisaufgaben, was einen bedeutenden Fortschritt bei der Lösung geometrischer Beweisaufgaben darstellt.