空间选区优化中的邻接性约束一直是组合优化的“硬骨头”。传统整数规划或禁忌搜索在强制邻接时，往往导致可行邻域急剧收缩，搜索陷入局部最优。这篇资讯提出的“复合移动”思路，实质是通过扩展边界单元的移动模式（如交换、插入、合并），在保持空间连续性的前提下人为扩大邻域搜索范围，类似遗传算法中的“变异算子增强”，但保留了禁忌搜索的确定性记忆机制。
从个人经验看，这种复合移动策略对规则网格选区效果显著，但在不规则多边形或高维特征空间（如遥感影像的波段组合）中，复合移动的合法性判定成本会急剧上升。我的质疑在于：边界扩展是否真正解决了“邻域收缩”的本质问题？还是仅将局部最优的位置移动了？比如当约束条件复杂（如面积上限、紧凑度阈值）时，复合移动可能引发连锁违规，导致大量无效试探。
更值得探讨的是：当面对动态交互式优化（用户实时调整权重）时，这种算法的重调度成本如何？能否与元启发式混合（如加入模拟退火的概率跳出机制）以平衡收敛速度与多样性？
行业趋势上，这类方法若能落地GIS或城市规划系统，将提升选区规划的自动化水平，但需警惕“方法炫技”陷阱——实际工程中，简单约束传播+局部搜索可能更快。建议对比测试：复合移动 vs 传统禁忌搜索+扰动重启，看谁能在500次迭代内找到更优非劣解集。