选区划分（Redistricting）是一个具有实际意义的组合优化问题。它不仅要产生高质量的方案，还需要快速的计算速度，同时能够灵活地适应多准则目标（如人口平等、地理紧凑性、政治公平性等）以及交互式的细化调整。然而，该问题面临一个核心挑战——连通性约束（contiguity constraint）。在整数规划或启发式搜索中，强制要求每个选区在地理上连通会严重限制可行的邻域搜索空间，削弱算法的探索能力，并且容易使搜索陷入较差的局部最优解。
为了解决这一问题，Hai Jin 和 Diansheng Guo 在2026年4月提交至arXiv的论文中提出了一种名为复合移动禁忌搜索（Composite-Move Tabu Search, CM-Tabu）的新方法。该方法在保持连通性的前提下，系统地扩展了禁忌搜索的可行邻域空间。CM-Tabu的核心创新在于：当一个边界单元无法单独重新分配给相邻选区而不导致原选区失去连通性时，算法会识别出能够一同移动的最小单元集合，或者可以交换的一对单元（或集合），以此作为保持连通性的复合移动。这些候选移动（包括单单元移动和复合移动）通过对每个选区的连通性图进行分析，利用图论中的割点（articulation points）和双连通分量（biconnected components）在线性时间内生成。这种机制显著扩大了搜索过程中可行的邻域，避免了传统方法因连通性约束而导致的搜索停滞。
研究团队通过大量实验验证了CM-Tabu的性能。与传统的禁忌搜索以及其他基线方法相比，CM-Tabu在解决方案质量、多次运行之间的稳健性以及计算效率方面均取得了显著提升。特别地，在费城（Philadelphia）案例中，该方法能够一致性地达到人口平等（population equality）的理论全局最优解，并且支持人口平等、紧凑性、政治公平性等多准则之间的权衡。这些结果表明，CM-Tabu提供的优化性能能够很好地应用于实际决策支持工作流。
该研究不仅为选区划分提供了高效的算法工具，也为其他受连通性约束的空间优化问题（如设施选址、区域规划等）提供了通用的解决思路。论文提交至arXiv，并收录于人工智能（cs.AI）与计算机和社会（cs.CY）分类下。论文的DOI为10.48550/arXiv.2605.06682，提交日期为2026年4月24日。