مسئله بسته بندی برداری نمونه تعمیم یافته بسته بندی یک بعدی می باشد. هدف این مسئله، بسته بندی بردارهای d-بعدی در بسته های d-ظرفیتی ضمن کمینه کردن بسته های مصرفی می باشد. رهیافت های ارائه شده پیشین غالباً برای نوع خاصی از نمونه های ورودی مناسب بوده و در نتیجه از مشکلاتی نظیر کندی الگوریتم در محاسبه جواب در مجموعه داده های بزرگ یا عدم توجه به اطلاعات ظرفیتی اضافی در هنگام بسته بندی بسته ها رنج می برند. این پژوهش، یک الگوریتم فرامکاشفه ای بسته گرای جدید را ارائه می دهد که به طور کلی کاربرد بیشتری را در مواجهه با دسته های مختلف نمونه های ورودی از خود نشان می دهد و قادر می باشد در مراحل مختلف مسئله، با توجه به میانگین وزن آیتم های باقی مانده، خود را به طور پیوسته با شرایط مسئله تطبیق دهد. روش پیشنهادی با استفاده از کلاس های مختلف داده های تصادفی تولید شده با بهترین الگوریتم های مکاشفه ای موجود مورد مقایسه قرار گرفته است که نتایج حاصل از آزمایش های محاسباتی گسترده حاکی از برتری روش ارائه شده می باشد.