空间重划（Spatial Redistricting）是一个具有实际意义的组合优化问题，广泛应用于选区划分、资源分配等领域。该问题要求生成高质量的解，同时满足快速周转和多目标优化的灵活性。然而，一个核心挑战在于连通性约束：在整数规划或启发式搜索中强制执行连通性，会严重缩小可行邻域空间，削弱探索能力，并使搜索陷入局部最优。近期，一篇发表在arXiv上的研究论文提出了一种复合移动禁忌搜索（Composite-Move Tabu Search，简称CM-Tabu）算法，旨在系统性地扩展禁忌搜索中的可行邻域空间，同时保持连通性。

CM-Tabu算法的核心创新在于其复合移动策略。传统禁忌搜索在尝试重新分配边界单元时，如果单个单元的移动会导致其所在选区不连通，该移动就会被视为不可行。CM-Tabu则通过识别能够一起移动的最小单元集合，或者一对（或一组）可以交换的单元，作为保持连通性的复合移动。这种方法允许算法探索更广泛的邻域，从而避免陷入局部最优。具体实现上，CM-Tabu通过分析每个选区的连通图，利用割点（articulation points）和双连通分量（biconnected components）在线性时间内生成候选的单单元移动和复合移动。

实验结果表明，CM-Tabu在多个方面显著优于传统禁忌搜索和其他基线方法。例如，在费城案例中，该算法能够持续达到人口平等（population-equality）的理论全局最优解，并支持多目标权衡。研究还显示，CM-Tabu在解质量、运行间鲁棒性和计算效率方面均有大幅提升。这对于需要快速迭代和实时决策支持的实际应用场景尤为重要。

从技术层面看，CM-Tabu的贡献不仅在于提出了一种新算法，更在于它提供了一种解决组合优化中连通性约束的通用框架。传统方法往往因为连通性约束而限制搜索空间，CM-Tabu通过复合移动策略巧妙地绕过了这一限制。此外，该算法的线性时间生成候选移动的特性，使其具有很好的可扩展性，能够处理大规模问题。

这项研究对于AI领域中的组合优化、启发式搜索和约束满足问题具有重要参考价值。CM-Tabu的成功表明，通过精心设计的邻域结构，可以在不牺牲解质量的前提下，显著提升搜索效率。未来，该算法有望被应用于更广泛的领域，如交通网络规划、城市分区、供应链优化等，为决策支持系统提供更强大的优化工具。