这篇关于复合移动禁忌搜索（CMTS）解决空间选区划分问题的研究，直击了邻接性约束的痛点。传统整数规划或普通启发式搜索在强制邻接性时，往往导致邻域空间急剧收缩，搜索容易陷入局部最优。CMTS的核心突破在于通过复合移动操作（如边界单元的交换、合并）系统性扩展可行邻域，既保持空间连通性，又提升了探索能力。从我个人的工程经验看，这种设计在交互式优化场景中尤其关键：用户需要快速调整选区边界时，CMTS的邻域扩展机制能显著减少迭代次数，而传统禁忌搜索往往需要人为添加松弛约束才能避免死局。
不过，我对其计算效率存疑：复合移动带来的邻域扩张是否会引入额外复杂度？从论文摘要看，若采用更复杂的移动策略（如多单元重组），在超大规模选区（如数百个空间单元）下，搜索时间可能呈指数增长。相比之下，基于图割或遗传算法的分区方法虽在全局性上有优势，但局部精细调整能力弱。我的问题是：CMTS的复合移动策略在实时交互场景中，实际响应时间能否控制在秒级？另外，对于非凸或不规则形状的选区，邻接性约束是否会导致边界锯齿化加剧？
从行业趋势看，空间优化正从静态规划转向动态交互——城市规划、商业选址等场景都要求算法能即时应答用户偏好。CMTS若能在邻域扩展与计算效率间找到平衡，有望替代传统模拟退火或局部搜索，成为选区优化的新基准。但开发者需警惕：过度依赖移动操作的复杂性，可能让参数调优成为新瓶颈。建议结合自适应控制机制（如动态调整移动步长），或与图神经网络结合预测优质邻域，以提升鲁棒性。