A Multi-Agent Framework for Zero-Dimensional Reduced-Order Model Planning

📄 arXiv: 2607.10994v1 📥 PDF

作者: Bingteng Sun, Hao Yin, Yiling Chen, Renjie Xiao, Lei Xie, Shanyou Wang, Ruonan Wang, Shubao Chen, Qingzong Xu, Lin Lu, Qiang Du, Junqiang Zhu

分类: cs.LG

发布日期: 2026-07-13

💡 一句话要点

提出Z-COPA框架以解决复杂0D模型规划问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 零维降阶模型 多代理框架 图结构优化 航空发动机设计 电力分配重构 水分配网络 自动化设计 优化算法

📋 核心要点

  1. 现有的0D模型规划方法依赖人工经验，限制了拓扑探索和迭代效率，传统优化方法如遗传算法通常局限于局部参数调整。
  2. 本文提出的Z-COPA框架采用多代理架构，利用符号动作图引擎和MILP引导导航优化器，将经验规划转化为图结构优化问题。
  3. 在多个实际应用场景中，Z-COPA展示了优越的任务完成质量，尤其在航空系统的前向和反向设计中表现出最佳性能。

📝 摘要（中文）

零维降阶模型（0D ROMs）在高端复杂设备的多维设计工作流程中至关重要。然而，当前的规划过程依赖于人工经验，限制了拓扑探索并延长了迭代周期。尽管大型语言模型（LLM）代理在探索大样本空间方面表现出色，但单一代理仍无法满足复杂0D ROM规划的长时间跨度和高度耦合特性。本文提出了零维降阶模型协同规划框架（Z-COPA），一种多代理架构，具有符号动作图引擎（SAGE）和MILP引导导航（MGN）优化器。其核心创新在于专门的图表示方法，准确编码0D流网络拓扑，将经验规划过程转化为严格的图结构优化问题。我们在两个实际航空发动机二次空气系统、两个IEEE电力分配重构基准和两个水分配网络基准上验证了Z-COPA的前向和反向设计能力及泛化性能。结果显示任务完成质量优越，在空气系统的前向和反向设计中获得最佳性能。

🔬 方法详解

问题定义：本文旨在解决复杂0D降阶模型规划中的手动经验依赖和局部优化局限性，现有方法难以有效探索拓扑空间。

核心思路：Z-COPA框架通过多代理协同工作，利用图表示方法将规划过程转化为优化问题，从而提高规划效率和准确性。

技术框架：Z-COPA的整体架构包括符号动作图引擎（SAGE）和MILP引导导航（MGN）优化器，前者负责图结构的构建与表示，后者进行优化导航。

关键创新：Z-COPA的主要创新在于其图表示方法，能够准确编码0D流网络的拓扑结构，与传统方法相比，提供了更为系统化的优化框架。

关键设计：在设计中，Z-COPA采用了特定的参数设置和损失函数，以确保图结构的准确性和优化过程的有效性，具体细节在实验部分进行了详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，Z-COPA在航空系统的前向和反向设计中表现出色，任务完成质量显著优于传统方法，具体性能数据表明其在多个基准测试中均获得最佳结果，展示了较大的提升幅度。

🎯 应用场景

Z-COPA框架具有广泛的应用潜力，尤其在航空发动机设计、电力分配重构和水分配网络优化等领域。其高效的规划能力能够显著提升设计过程的自动化水平，降低人工干预，提高设计质量和效率。

📄 摘要（原文）

Zero-dimensional reduced-order models (0D ROMs) are central to multi-dimensional design workflows for high-end complex equipment. However, the planning process currently relies on manual expertise, limiting topological exploration and prolonging iterations. Even traditional optimization methods such as Genetic Algorithms (GA) are typically confined to local parameter tuning. Although Large Language Model (LLM) agents have shown promise in exploring large sample spaces, and frameworks such as Chain of Thought (CoT) and Reason and Act (ReAct) improve reasoning reliability, while Retrieval-Augmented Generation (RAG) overcomes domain knowledge barriers, a single agent still falls short for the long-horizon and highly coupled nature of complex 0D ROM planning. This paper proposes the Zero-dimensional reduced-order model CO-Planning framework (Z-COPA), a multi-agent architecture featuring a Symbolic Action Graph Engine (SAGE) and a MILP-Guided Navigation (MGN) optimizer. Its core innovation is a dedicated graph representation method that accurately encodes the 0D flow network topology, converting the empirical planning process into a rigorous graph structure optimization problem. We validate the forward and inverse design capabilities and generalization performance of Z-COPA on two real aircraft engine secondary-air systems, two IEEE power-distribution reconfiguration benchmarks, and two water-distribution network benchmarks. The results show superior task completion quality, obtaining the best performance in both forward and reverse design of air systems. Z-COPA disrupts the traditional 0D model planning paradigm, providing a new technical approach for exploring broader topological space and achieving highly automated, globally optimal air system architectures.