装箱问题是一个经典的组合优化问题。简单地说,装箱问题就是将若干不同尺寸的物体互不重叠地放入有一定容量的箱子中以达到某种最佳目标。装箱问题被广泛应用于计算机科学领域和工业领域,多处理器任务调度、内存管理、货物装载以及原料切割等都是装箱问题在实际应用中的具体体现。因此,研究装箱问题具有重要的理论意义和应用价值。　　 从二十世纪七十年代起,学术界就对装箱问题进行了广泛而深入的研究,该问题又是NP完全问题,如果用精确算法求解装箱问题,势必带来计算量的组合爆炸,因此学者提出了很多求解该问题的启发式算法。　　 本文首先对装箱问题的研究现状、问题分类及求解算法进行了综述和分析,然后重点对二维矩形装箱问题进行研究。在总结和概括了当前主要的装箱优化算法的基础上,对已有的砌墙式启发算法进行改进,并结合遗传算法设计了一种新的算法:基于快速启发式分层思想和遗传算法的求解算法。　　 在本文设计的启发式分层算法中,改进了原有砌墙式算法的分层规则,每一层由一个或一系列等宽的矩形条构成,在选择放入矩形的规则中提出了适应度的概念。在决定输入矩形序列方面采用了遗传算法,根据问题的实际情况,在遗传算法的种群初始化中采取了多种群初始化,并融入一定的启发式规则来确保初始种群染色体的优良性,在遗传操作过程中采用了分配择优保存,环状交叉变异,自适应交叉变异概率等改进的遗传算子来保证遗传算法的收敛性。　　 实验结果表明,本文设计的算法比原有的分层式算法有较大的改进。而且求解质量与一些优秀的算法如:BF+GA、BF+SA和HPR等算法差别不大,算法经过多次运行对许多实例都可以得到最优解。