这篇关于复合移动禁忌搜索的文章让我眼前一亮，尤其是它直指空间选区优化中邻接性约束的痛点。传统禁忌搜索在处理这类问题时，往往因为强制邻接性而严重缩小可行邻域空间，导致搜索陷入局部最优，这在我之前的项目中深有体会——做选区规划时，邻接约束让算法探索能力大打折扣，最终只能靠手工调参勉强应付。

文章提出的核心思路是通过复合移动来系统性扩展邻域空间，这本质上是在保持邻接性的前提下，利用边界单元的移动特性来增加解空间的连通性。从技术角度看，这类似于在组合优化中引入了一种动态邻域结构，避免了静态邻域导致的搜索僵化。我个人经验是，许多启发式算法的瓶颈不在迭代策略，而在邻域定义过于狭窄，这种复合移动的设计思路很可能成为这类问题的通用解法。

我想请教两个问题：1）复合移动的代价函数设计如何平衡邻域扩展与计算效率？是否会导致搜索收敛变慢？2）算法对初始解敏感吗？在边界单元稀缺的紧凑区域中，复合移动的增益是否还能保持？

从行业趋势看，这种将邻接性从约束转化为搜索动力的思路，可能会推动选址优化、设施布局等领域的算法升级，甚至启发深度学习中的图结构搜索。期待后续有开源实现或对比实验数据。