在新一轮科技革命和产业变革的历史关口,减少下料环节材料的消耗对提高企业经济效益和社会减排降耗有重大意义。首先,以矩形优化排样问题为研究对象,从重型机械行业的发展与绿色生产的角度阐述本文研究的背景、目的及意义;再从算法的角度对国内外矩形排样研究进展进行总结归纳,并分析迁移学习及强化学习的发展现状与研究趋势;然后构建基本的矩形排样模型,分析其工艺特点与计算难点,对启发式定位与智能定序两大模块的经典算法进行详细介绍,归纳其不足与未来研究方向,最后给出本文的主要研究思路。其次,抽象出中厚钢板下料对应的矩形装箱排样问题（Two-dimensional Rectangular Bin Packing Problem,2DR-BP）数学模型,并介绍布谷鸟算法（Cuckoo Search,CS）的基本理论,分析其求解离散组合优化问题的技术难点;基于此,本文重新定义布谷鸟算法的智能行为并将其离散化,设计十进制编码方式、巢穴距离计算规则,并提出基于学习与邻域搜索算子的莱维飞行机制和基于扰动因子的巢寄生更新机制;为克服最低水平线算法（Lowest Horizontal Line Search Algorithm,LHLS）寻优效果差和灵活性低等缺点,提出基于值评价的最低水平线算法（Value Evaluation based LHLS,VE-LHLS）;采用国际标准测试集验证新提出离散布谷鸟算法（Discrete Cuckoo Search,DCS）的有效性与实用性。再者,抽象出卷材下料对应的矩形带排样问题（Two-dimensional Rectangular Strip Packing Problem,2DR-SP）数学模型,为实现知识经验的再利用,提高排样求解结果的质量与效率,本文将Q-学习与迁移学习引入离散布谷鸟算法中,提出一种全新的迁移布谷鸟优化（Transfer Cuckoo Optimizer,TCO）算法;在该算法中,用基于链式延伸的高维空间缩减方法来避免知识空间的“维度爆炸”,布谷鸟借助Q-学习的试错学习模式提升种群对信息的利用能力;为均衡种群对知识的探索与利用,在概率搜索动作的基础上引入布谷鸟种群的分工协作模式,提出一种新的动作选择策略;源任务预学习阶段完成后,将得到的最优知识矩阵通过双源线性迁移策略迁移给目标任务,帮助指导其快速求得排样结果;实验结果证明本文设计的TCO算法不仅使排样问题解的质量进一步提高,求解速度还能达到其它算法的1.5～4倍。最后,结合重工行业钢板下料环节的工作流程与优化排样需求,以实际需求为导向,设计出钢板下料系统的功能模块;然后运用常用的系统开发技术,结合前述内容,开发出一款钢板下料优化排样系统;最后用工程实例验证钢板下料系统的实用性。