装箱问题一种经典的组合优化问题,装箱问题的理论研究对制造业,物流业以及计算机等行业的发展有着非常重要的实际意义,其研究目的是为了提高资源的利用率,降低生产成本。本文主要研究二维装箱问题中的带装箱问题（2DSPP）,2DSPP所研究的主要内容是:通过给定一组矩形物品以及宽度固定且高度无限的矩形长板,并将这一组矩形物品不重叠不旋转的放入到矩形长板中,其目的是将所用矩形长板的高度最小化。本论文的主要工作在于:（1）针对skyline算法的评分规则进行了改进,提出了评分规则ScorerⅠ,其作用是能够选取更加合适的矩形物品放置,从而有效减少空间的浪费,提高空间利用率。（2）使用强化学习中的Deep Q-Network（DQN）算法构建了新的skyline评价函数ScorerⅡ,其能够更加精细化矩形物品的选取规则,达到降低空间浪费的目的。同时将ScorerⅠ和ScorerⅡ共同作为skyline的评分规则,即在使用ScorerⅠ时存在两个或者两个以上矩形物品相等的情况时使用ScorerⅡ,实验证明此算法能够获得更好的解。（3）对简单随机算法（Simple Random Algorithm,SRA）进行了改进,在SRA局部搜索的基础上加入了贪婪搜索算法（Greedy Search Algorithm,GS）,利用GS对使用ScorerⅡ和其他按照周长、面积、宽度和高度得到的初始解进行比较,并选出最优的初始序列作为启发式算法的矩形初始排列序列,与单一的按照固定规则排序的矩形序列相比能够得到更好的解,也使得启发式算法在不同大小的问题实例上都能得到最优解,提升了启发式算法的通用性。并结合基于强化学习的ScorerⅡ和SRA算法提出了RSRA算法。（4）将RSRA算法在8个公开数据集上进行了实验分析,实验证明RSRA算法在这8个数据集上的ave.Gap%的值分别降低了45.86%、45.16%、30.89%和20.56%。同时与2020年的最新算法IAm和SPSAL在四组数据集上进行了比较,实验证明在四组数据集上均获得了最好的结果。（5）利用2DSPP的理论知识针对有轨车辆车底设备安装位置这一特定的问题进行了算法的设计和软件的开发。使其满足有轨车辆车底设备安装的要求,其中包括重心平衡,检修空间,接线空间,设备安装方向,需要固定的设备和需要优先放置的设备等约束条件下进行了算法的设计,使用梯度下降算法和循环遍历的算法分别对Y和X方向的设备安装进行了算法的实现,并完成了部件管理模块,摆放计算模块和数据字典模块三个模块的开发。