MAPF_G2RL ist ein Open-Source-Forschungsframework, das Graphentheorie und Deep Reinforcement Learning verbindet, um das Multi-Agenten-Pfadfindungsproblem (MAPF) zu lösen. Es kodiert Knoten und Kanten in Vektor-Repräsentationen, definiert räumliche und kollisionsbewusste Belohnungsfunktionen und unterstützt verschiedene RL-Algorithmen wie DQN, PPO und A2C. Das Framework automatisiert die Szenarien-Erstellung durch die Generierung zufälliger Graphen oder den Import realer Karten und steuert Trainingsschleifen, die Politiken für mehrere Agenten gleichzeitig optimieren. Nach dem Lernen werden die Agenten in simulierten Umgebungen bewertet, um Pfadeffizienz, Make-span und Erfolgsraten zu messen. Das modulare Design ermöglicht es Forschern, Kernkomponenten zu erweitern, neue MARL-Techniken zu integrieren und mit klassischen Lösungsansätzen zu benchmarken.

MARO (Multi-Agent Resource Optimization) ist ein Python-basiertes Framework, das die Entwicklung und Bewertung von Multi-Agenten-Reinforcement-Learning-Agenten in Szenarien wie Lieferkette, Logistik und Ressourcenmanagement unterstützt. Es umfasst Vorlagen für Inventarmanagement, LKW-Planung, Cross-Docking, Containervermietung und mehr. MARO bietet eine einheitliche Agent-API, eingebaute Tracker für Experiment-Logging, parallele Simulationsmöglichkeiten für groß angelegte Trainings und Visualisierungstools zur Leistungsanalyse. Die Plattform ist modular, erweiterbar und integriert mit populären RL-Bibliotheken, was reproduzierbare Forschung und schnelle Prototypenerstellung für KI-gesteuerte Optimierungslösungen ermöglicht.

Truescope liefert AI-verbesserte Medienüberwachung und -analyse, wodurch es einfach wird, Medienberichterstattung in Echtzeit zu verfolgen und zu analysieren. Mit fortschrittlichen Funktionen wie natürlicher Sprachverarbeitung, Sentiment-Analyse und umfassenden Reporting-Tools ermöglicht es Truescope den Nutzern, ihre Leistung und Reputation in den traditionellen und sozialen Medien zu visualisieren, wodurch Interessengruppen informiert und proaktiv bleiben können.

Colosseum Agent Battles bietet ein modulares Python SDK zum Aufbau von KI-Agenten-Wettbewerben in anpassbaren Arenen. Nutzer können Umgebungen mit spezifischem Terrain, Ressourcen und Regeln definieren und Agentenstrategien über eine standardisierte Schnittstelle implementieren. Das Framework verwaltet die Kampffristen, Schiedsrichterlogik und die Echtzeit-Protokollierung von Aktionen und Ergebnissen. Es umfasst Werkzeuge für Turniere, Tracking von Gewinn/Verlust-Statistiken und Visualisierung der Agentenleistung anhand von Diagrammen. Entwickler können mit bekannten Machine-Learning-Bibliotheken integrieren, um Agenten zu trainieren, Spieldaten für Analysen zu exportieren und Schiedsrichter-Module zu erweitern, um benutzerdefinierte Regeln durchzusetzen. Es vereinfacht letztlich das Benchmarking von KI-Strategien in Kopf-an-Kopf-Wettbewerben. Zudem werden Protokolle in JSON- und CSV-Formaten für anschließende Analysen unterstützt.

KI-Agenten für Schere, Stein, Papier ist ein Open-Source-Python-Projekt, das zeigt, wie man verschiedene KI-Strategien—Zufallsspiel, regelbasierte Mustererkennung und Verstärkungslernen (Q-Learning)—im klassischen Spiel Schere, Stein, Papier aufbaut, trainiert und bewertet. Es bietet modulare Agentenklassen, einen konfigurierbaren Spiel-Runner, Leistungsprotokollierung und Visualisierungswerkzeuge. Benutzer können Agenten leicht austauschen, Lernparameter anpassen und KI-Verhalten in Wettbewerbsumgebungen erkunden.

CrewAI-Learning ist eine Open-Source-Bibliothek, die darauf ausgelegt ist, Multi-Agenten-Reinforcement-Lernprojekte zu vereinfachen. Sie bietet Gerüststrukturen für Umgebungen, modulare Agentendefinitionen, anpassbare Belohnungsfunktionen und eine Sammlung integrierter Algorithmen wie DQN, PPO und A3C, die für kollaborative Aufgaben angepasst sind. Benutzer können Szenarien definieren, Trainingsschleifen verwalten, Metriken protokollieren und Ergebnisse visualisieren. Das Framework unterstützt die dynamische Konfiguration von Agententeams und Belohnungsteilungsstrategien, was die Prototypenentwicklung, Bewertung und Optimierung kooperativer KI-Lösungen in verschiedenen Domänen erleichtert.