最近看到这篇关于复合移动禁忌搜索（CMTS）解决空间选区优化的研究，核心挑战在于邻接性约束对搜索空间的限制——传统方法在强制邻接性时，可行邻域空间被严重压缩，容易陷入局部最优。CMTS的突破在于通过复合移动操作（如边界单元的联动替换）系统性扩展可行邻域，同时保持解的有效性。这让我想起个人经验中，用遗传算法处理类似问题时，邻接性约束往往导致早熟收敛，需要大量定制化交叉算子。

我的疑问是：复合移动的搜索效率如何平衡？扩展邻域虽能避免局部最优，但计算复杂度是否会指数级上升？特别是对于大规模选区（如数百个单元），禁忌列表的长度和复合移动的组合爆炸会不会抵消收益？另外，文中提到“适应多标准目标和交互式优化”，但实际中多目标权衡（如紧凑性与行政边界一致性）往往需要动态调整权重，CMTS的灵活性是否足够？

从行业看，这种基于邻域扩展的启发式方法对地理空间优化（如学区划分、物流分区）意义重大，但能否推广到实时交互式场景（如用户在线调整偏好）仍存疑。期待有测试过CMTS的大佬分享实际收敛曲线和参数敏感性分析。