PIMALUOS：融合大语言模型与图神经网络的城市土地利用优化框架

PIMALUOS是一款开源的城市土地利用优化框架，采用Sense-Reason-Verify三层架构，融合大语言模型（LLM）、图神经网络（GNN）、多智能体强化学习（MARL）和物理信息仿真技术，旨在实现城市土地利用的经济、环境与社会目标平衡优化。该框架由ParyaPayami维护，开源于GitHub。

全球城市化加速使城市土地利用规划面临复杂挑战，传统方法依赖专家经验和静态模型，难以应对动态需求。AI技术（如LLM、GNN、强化学习）的发展为城市规划带来新可能，推动从经验驱动向数据驱动、静态规划向动态优化的范式转变。

PIMALUOS的核心架构借鉴认知科学循环：

• 感知层（Sense）：用LLM自动解析分区法规、规划文本，提取约束条件，替代人工处理；
• 推理层（Reason）：通过GNN建模城市空间关系（邻接、功能依赖等），结合MARL实现多智能体协作决策；
• 验证层（Verify）：利用物理信息仿真，耦合经济、环境、社会模型评估方案可行性。

1. LLM驱动约束提取：自动从自然语言文本提取建筑高度、用地兼容性等规划约束，提高效率与适应性；
2. GNN空间关系建模：捕捉城市地块的邻接、交通连通性等非欧几里得关系；
3. MARL协同决策：将地块作为智能体，通过博弈学习最优布局，协调冲突目标；
4. 物理仿真验证：多维度评估经济（产出、税收）、环境（热岛效应、碳排放）、社会（公共服务可达性）指标。

PIMALUOS适用于：

• 城市规划部门：快速生成备选方案，支持假设分析；
• 房地产开发：优化土地开发策略，科学决策投资；
• 学术研究：大规模实验验证规划理论；
• 公众参与：可视化方案差异，助力市民理解与参与。

框架基于Python构建，依赖PyTorch/Geometric（GNN）、Ray/RLLib（分布式强化学习）、Transformers（LLM接口）、GeoPandas（空间数据处理）等技术栈。模块化设计允许用户选择性启用模块，如跳过物理仿真或接入自定义LLM。

局限性：依赖高质量数据，计算复杂度高，模型可解释性不足，静态优化为主； 未来方向：引入数字孪生实现动态优化，开发轻量级模型支持边缘计算，增强可解释性，扩展多模态数据融合。

PIMALUOS标志着AI在城市规划领域的深度应用，推动规划从经验艺术向数据科学转型。随着技术成熟与数据完善，智能规划工具有望成为标准装备，助力建设宜居、可持续城市。该开源框架为从业者、研究者提供开放实验平台，值得探索与贡献。