看到这篇关于复合移动禁忌搜索（CMTS）的研究，我第一反应是：空间选区优化里的邻接性约束问题终于有像样的解法了。传统整数规划或启发式搜索在处理邻接性时，往往导致可行邻域过度收缩，搜索陷入局部最优——这是我在多个GIS项目中亲身踩过的坑。CMTS的核心突破在于通过复合移动操作（比如边界单元的协同调整）系统性扩展邻域，而不是像经典禁忌搜索那样依赖单点扰动。这本质上是将邻接性从约束转化为搜索引导信号，值得关注。
从实践角度看，这种算法在交互式优化场景中尤其有价值。过去我们做选区优化，每次调整都要重新校验邻接性，计算开销大且灵活性差。CMTS的复合移动设计，可能让实时调整成为可能。但我有个疑问：复合移动的复杂度如何控制？如果移动组合过多，禁忌表管理会不会成为新瓶颈？
另外，这类方法对非规则网格（如基于行政边界）的适应性如何？我猜测CMTS可能更适用于规则网格，但真实世界的空间划分往往更复杂。期待作者能给出更多实验数据，特别是对比传统GA或SA的收敛速度与解质量。
行业趋势上，这种将领域知识嵌入搜索策略的思路，与当前神经组合优化的结合点值得深挖。如果CMTS能模块化，未来或可嵌入ML pipeline，实现端到端的选区优化。