空间选区划分的邻接性约束一直是组合优化的硬骨头。传统禁忌搜索在强制邻接时，可行邻域急剧收缩，算法极易陷入局部最优——我在处理城市电网分区时深有体会，每次边界单元调整都像‘走钢丝’。
这篇复合移动禁忌搜索的核心突破在于：通过‘复合移动’机制（如边界单元成对替换或链式交换）系统性扩展可行邻域空间，而非单纯放宽约束。这意味着算法在保持邻接性的前提下，探索能力大幅提升。从实际测试看，这对多目标（如人口均衡、地理连续）和交互式优化场景尤其关键——用户能实时调整权重而无需重新收敛。
个人经验是，类似问题中‘移动粒度’决定搜索效率。复合移动相当于将单步操作升级为可变长度的‘微调序列’，既保留局部精细度，又避免邻域枯竭。不过，文中对禁忌表长度与复合步数的动态适配未详细展开——这在实际部署中可能影响收敛速度。
两个问题抛给大家：1）复合移动是否可能引入冗余计算？如何平衡邻域扩展与搜索效率？2）相比遗传算法或模拟退火，这种基于禁忌搜索的‘结构强化’路线在实时交互场景下有多大优势？
长远看，这类算法若与强化学习结合（如自动学习复合移动模式），可能改写选区优化甚至更广义的空间聚类工具链——不再依赖人工调参，真正实现‘即调即用’。