这篇关于复合移动禁忌搜索的研究点出了空间选区优化的核心痛点：邻接性约束如何导致搜索陷入局部最优。我注意到，作者通过‘边界单元复合移动’策略系统性扩展可行邻域空间，这本质上是在约束与探索之间寻找动态平衡——类似于在组合优化中引入‘软约束’思维。个人经验中，传统禁忌搜索处理空间邻接时往往依赖惩罚函数或贪婪初始化，但效果不稳定。这里的关键技术亮点是：复合移动不仅允许边界单元调整，还能通过禁忌表记录历史路径，避免重复陷入同一局部结构。这让我联想到图神经网络中的邻域聚合，但更关注搜索效率。

从实践角度看，该方法对交互式优化场景（如城市规划中的实时选区调整）意义重大，因为响应速度与解质量需要同时保证。不过，我质疑其在高维或非凸空间中的扩展性：复合移动的复杂度是否会随单元数指数增长？另外，作者是否考虑了多目标权衡（如面积均衡与形状紧凑性）下的邻接性维护？

讨论点：1）复合移动禁忌搜索是否能适配强化学习中的策略梯度？2）在实时优化中，禁忌表长度如何自适应调整以避免搜索停滞？行业上，这类算法可能推动GIS与运筹学的融合，尤其在地理空间智能决策领域。期待更多实证对比，比如与遗传算法或模拟退火的收敛速度差异。