随着国家经济和电商领域的全方位飞速发展,我国物流行业的业务需求量越来越多,物流总费用也是在持续增长。在物流打包过程中,软材料的打包成本与装箱表面积成正比,合理的装箱方案可以减小装箱表面积,降低物流成本,从而大大减少企业物流成本,提高企业竞争力。针对用户在线购买商品订单的软材料打包装箱过程,找到一种可以获得最小表面积的装箱方案能有效降低物流总费用,减小企业压力,因此对最小化表面积的三维装箱问题的深入研究非常具有经济价值。但是由于三维装箱问题的复杂性和装箱问题的非普适性,如何高效准确的求解包含各种约束条件以适应现实应用场景的三维装箱问题成为计算机研究领域的热点研究问题。针对上述问题,本文通过对最小化表面积的三维装箱问题进行建模,将问题分为优化装箱次序和求解放置位置与放置朝向两个部分,分别对其逐个击破,使用深度强化学习算法来优化装箱次序,基于构造启发式算法求解放置位置和朝向,最终使得所需装箱表面积最小。本文的研究内容具体分为以下几个方面:（1）对最小化表面积的三维装箱问题进行定义和问题建模。首先详细介绍了当前主流的装箱问题分类,按照分类对本文研究的问题进行明确定位。然后对最小化表面积的三维装箱问题进行明确定义和数学建模,介绍了问题的前提假设、目标优化函数和约束条件,并给出了必要的符号定义。（2）为最小化表面积的三维装箱问题提出了一种基于深度强化学习的混合算法,算法使用深度强化学习算法优化装箱次序问题,使用构造启发式算法求解物品的放置位置和放置朝向,最后得到装箱最小表面积。针对三维装箱的装箱次序问题,基于Actor-Critic强化学习框架进行训练,使得智能体在与环境的交互过程中,逐渐优化策略函数,并使用价值函数对策略函数进行评估,为了解决一般强化学习算法对高维状态空间和动作空间的局限性,运用深度神经网络近似拟合价值函数和策略函数,即为深度强化学习。针对物品在箱内的放置位置和放置朝向问题,基于最小表面积规则选择放置空间和朝向,并根据三空间分割规则对剩余空间进行重新分割。（3）对本文提出的混合算法进行对比实验,验证其优化的有效性和稳定性。本文选择了五种对比算法进行实验,计算装箱实例所需箱子的表面积大小来用于算法性能评估。通过对实验结果的分析表明,与其他对比算法相比,本文提出的算法可以获得更小的表面积且具有更高的稳定性。