MultiAgentPacman bietet eine in Python geschriebene Spielumgebung, in der Benutzer mehrere KI-Agenten im Pacman-Bereich implementieren, visualisieren und benchmarken können. Es unterstützt Adversarial Search-Algorithmen wie Minimax, Expectimax, Alpha-Beta sowie eigene Verstärkungslern- oder heuristische Agenten. Das Framework umfasst eine einfache GUI, Befehlszeilesteuerung und Tools zur Protokollierung von Spieldaten und Leistungsvergleich zwischen Agenten in Wettbewerbs- oder Kooperationsszenarien.

BomberManAI ist ein KI-Agent, der das klassische Bomberman-Spiel autonom spielen soll. Entwickelt in Python, interagiert er mit einer Spielumgebung, um Kartenstatus, verfügbare Züge und Gegnerpositionen in Echtzeit zu erfassen. Der Kernalgorithmus kombiniert A*-Pfadfindung, Breitensuche zur Erreichbarkeitsanalyse und eine heuristische Bewertungsfunktion, um optimale Bombenplatzierung und Fluchtstrategien zu bestimmen. Der Agent handhabt dynamische Hindernisse, Power-Ups und mehrere Gegner auf verschiedenen Kartenlayouts. Seine modulare Architektur ermöglicht die Entwicklung mit benutzerdefinierten Heuristiken, Verstärkendem Lernen oder alternativen Entscheidungsstrategien. Ideal für Spiel-KI-Forscher, Studenten und wettbewerbliche Bot-Entwickler bietet BomberManAI einen flexiblen Rahmen für das Testen und Verbessern autonomer Spielagenten.

ePH-MAPF bietet eine effiziente Pipeline zur Berechnung kollisionsfreier Pfade für Dutzende bis Hunderte von Agenten auf gitterbasierten Karten. Es nutzt priorisierte Heuristiken, inkrementelle Suchtechniken und anpassbare Kostenmetriken (Manhattan, euklidisch) zur Balance zwischen Geschwindigkeit und Lösungsqualität. Nutzer können zwischen verschiedenen Heuristikfunktionen wählen, die Bibliothek in Python-basierte Robotiksysteme integrieren und die Leistung in Standard-MAPF-Szenarien benchmarken. Der Code ist modular und gut dokumentiert, was Forschern und Entwicklern erlaubt, ihn für dynamische Hindernisse oder spezielle Umgebungen zu erweitern.

Pentago Swap KI-Agent implementiert einen intelligenten Gegner für das Pentago Swap-Spiel, indem er einen Monte Carlo Tree Search (MCTS)-Algorithmus nutzt, um potenzielle Spielsituationen zu erkunden und zu bewerten. Bei jedem Zug simuliert der Agent zahlreiche Durchläufe und bewertet die resultierenden Spielstände, um Züge zu identifizieren, die die Gewinnwahrscheinlichkeit maximieren. Er unterstützt die Anpassung von Suchparametern wie Simulationsanzahl, Explorationskonstante und Playout-Politik, um die Leistung fein abzustimmen. Der Agent beinhaltet eine Befehlszeilenschnittstelle für Duelle, Selbstspiel zur Generierung von Trainingsdaten und eine Python-API für die Integration in größere Spielumgebungen oder Turniere. Mit modularem Code erleichtert er die Erweiterung mit alternativen Heuristiken oder neuronalen Netzbewertern für fortgeschrittene Forschung und Entwicklung.