由于装箱问题的自身的复杂性,很难求得精确解。在很多情况下,精确求解也是不必要的,因此研究的重点一般在于如何尽快的找到一个满意解。本文以尽可能地提高箱子地利用率和最大限度地提高算法的收敛速度为目标,分别对一维装箱问题和二维装箱问题进行了研究。 ㈠对于一维装箱问题,提出了一种CF近似算法和遗传算法相结合的混合遗传算法。其主要思路是：首先采用基于顺序表示数字符号编码方式,而且在编码中引入了CF近似算法,同时提出了与装箱问题相适应的交叉策略与变异策略。最后,在解码过程中再次引入CF近似算法,使CF近似算法和遗传算法有机的结合在一起。由于CF算法对很多数据均有较好的效果,把CF算法作为一种装箱的方案放入初始群体,这样就可能不失去一些优秀的解,有助于尽快的找到一个满意解,文中给出了算法的具体实现过程,数值试验验证了所提算法的有效性。 ㈡对于二维装箱问题,提出改进的BL算法,并将改进的BL算法和遗传算法相结合得到混合遗传算法。其主要思路是：首先对矩形物体按照高度、宽度、底面积和周长递减排序,再按照BL算法装箱,并进行交叉装箱。同时还考虑对矩形物体在装入位置进行旋转操作(颠倒宽和高),从而得到改进的BL算法,最后,将改进的BL算法引入遗传算法的解码过程中。数值试验验证了基于改进的BL算法的混合遗传算法的有效性。