堆场是港口物流的一个重要组成部分。堆场堆存计划直接影响到码头的作业效率以及经济效益。研究制定一个合理的堆存策略,有利于降低堆场提箱作业时的翻箱量,从而降低机械成本,减少堆场作业时间,提高码头装卸速度,进而提高堆场堆存能力。集装箱码头的堆场可分为前方堆场和后方堆场,本文的研究集中于国内外的学者关注较少的后方堆场的堆存策略。传统的后方堆场堆存策略是将不同提单号、不同货主的集装箱堆放到不同的贝,这在一定程度上减少了翻箱量,但也带来了堆场空间上的极大浪费。本文采用不同提单号、不同货主的集装箱堆放到同一贝的混合堆存策略,考虑不断变化的堆存状态,为每一批到达堆场的集装箱分配指定贝内的箱位。本文在对实际问题进行了一定简化的基础上,建立了以提箱时间为制约因素,以最小化翻箱率为目标的后方堆场箱位分配模型。由于箱位分配是一个NP难问题,难以用传统的优化方法解决。本文首先采用遗传算法进行求解。通过分析文献遗传算法一次只优化一个待分配箱的不足,提出了一次对一批待分配的集装箱进行整体优化的分配策略,并对遗传算法过程中的每个步骤进行了一定的改进。通过与文献中的遗传算法的对比,验证了本文提出的基于遗传算法的箱位分配策略在实际的贝规模范围内优化效果更好。接着,针对遗传算法运行效率不高的问题,提出了采用启发式方法求解的方案。通过分析贝内集装箱优先级数值与翻箱的关系,总结出了三条启发式规则,并提出了基于这些规则的启发式算法。通过与遗传算法优化效果和优化时间对比,说明了启发式方法运行效率高,但优化效果稍差的特点。遗传算法和启发式方法两种方案各有优势,遗传算法优化效果好,而启发式方法运行效率高。一个解决实际问题的优化方案既要有好的优化效果,又应满足运行的实时需求。因此,本文尝试提出了一种结合这两种方案的分配策略,即在贝内箱较少时采用启发式方法,而在箱较多时采用遗传算法。通过实验对比,表明该优化策略综合了优化效果和运行效率,更具有实用性。