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.

HFO_DQN kombiniert Python und TensorFlow, um eine vollständige Pipeline für das Training von Fußballagenten mithilfe von Deep Q-Networks bereitzustellen. Benutzer können das Repository klonen, Abhängigkeiten einschließlich des HFO-Simulators und Python-Bibliotheken installieren sowie Trainingsparameter in YAML-Dateien konfigurieren. Das Framework implementiert Erfahrungsspeicherung, Zielnetzwerk-Updates, epsilon-greedy Erkundung und Belohnungsformung, die speziell für die Half-Field-Offense-Domäne angepasst sind. Es verfügt über Skripte für das Training von Agenten, Leistungsprotokollierung, Evaluierungsspiele und Ergebnisvisualisierung. Modulare Code-Struktur ermöglicht die Integration eigener neuronaler Netzwerkarchitekturen, alternativer RL-Algorithmen und Multi-Agenten-Koordinationsstrategien. Die Ausgaben umfassen trainierte Modelle, Leistungsmetriken und Verhaltensvisualisierungen, die die Forschung im Bereich Reinforcement Learning und Multi-Agent-Systeme erleichtern.

Jason-RL fügt dem Jason Multi-Agenten-Framework eine Verstärkendes Lernen-Schicht hinzu, die es AgentSpeak-BDI-Agenten ermöglicht, Aktions-Auswahl-Politiken durch Belohnungsfeedback zu erlernen. Es implementiert Q-Learning und SARSA, unterstützt die Konfiguration von Lernparametern (Lernrate, Diskontfaktor, Explorationsstrategie) und protokolliert Trainingsmetriken. Durch die Definition von Belohnungsfunktionen in Agentenplänen und das Ausführen von Simulationen können Entwickler beobachten, wie Agenten im Laufe der Zeit Entscheidungsfindung verbessern und sich an sich ändernde Umgebungen anpassen, ohne manuell Politiken zu codieren.

simple_rl ist eine minimalistische Python-Bibliothek, die darauf ausgelegt ist, die Forschung und Bildung im Bereich des Verstärkungslernens zu vereinfachen. Es bietet eine konsistente API zur Definition von Umgebungen und Agents, mit integrierter Unterstützung für gängige RL-Paradigmen wie Q-Learning, Monte Carlo-Methoden und dynamische Programmieralgorithmen wie Wert- und Politik-Iteration. Das Framework umfasst Beispielumgebungen wie GridWorld, MountainCar und Multi-Armed Bandits, die praktische Experimente ermöglichen. Benutzer können Basisklassen erweitern, um eigene Umgebungen oder Agents zu implementieren, während Hilfsfunktionen das Logging, die Leistungsüberwachung und die Policy-Bewertung übernehmen. Die leichte Architektur und klare Codebasis von simple_rl machen es ideal für schnelles Prototyping, das Lehren von RL-Grundlagen und Benchmarking neuer Algorithmen in einer reproduzierbaren, leicht verständlichen Umgebung.

Das Berkeley Pacman Projects-Repository bietet eine modulare Python-Codebasis, in der Nutzer KI-Agenten in einem Pacman-Maze bauen und testen. Es führt Lernende durch uninformed und informed Search (DFS, BFS, A*), adversariale Multi-Agenten-Suche (Minimax, Alpha-Beta-Pruning) sowie Reinforcement Learning (Q-Learning mit Merkmalextraktion). Integrierte grafische Interfaces visualisieren das Verhalten der Agenten in Echtzeit, während eingebaute Tests und Autograders die Korrektheit prüfen. Durch Iteration an Algorithmus-Implementierungen gewinnen Nutzer praktische Erfahrung in Zustandsraumexploration, Heuristik-Design, adversarialer Argumentation und Belohnungsbasiertem Lernen innerhalb eines einheitlichen Spiels.

Pacman AI bietet eine voll funktionsfähige Python-basierte Umgebung und Agenten-Framework für das klassische Pacman-Spiel. Das Projekt implementiert zentrale Verstärkungslernalgorithmen—Q-Learning und Wertiteration—damit der Agent optimale Strategien für Pillenaufnahme, Maze-Navigation und Geistervermeidung lernen kann. Nutzer können benutzerdefinierte Belohnungsfunktionen definieren und Hyperparameter wie Lernrate, Abzinsungsfaktor und Explorationsstrategie anpassen. Das Framework unterstützt Metrik-Logging, Leistungsvisualisierung und reproduzierbare Experimente. Es ist auf einfache Erweiterbarkeit ausgelegt, sodass Forscher und Studierende neue Algorithmen oder neuronale Lernansätze integrieren und gegen Basis-Gittermethoden im Pacman-Domain benchmarken können.

Dead-simple Selbstlernen bietet Entwicklern eine äußerst einfache Methode, um Verstärkungslernagenten in Python zu erstellen und zu trainieren. Das Framework abstrahiert Kernkomponenten des RL, wie Umgebungswrapper, Policy-Module und Erfahrungspuffer, in prägnante Schnittstellen. Nutzer können schnell Umgebungen initialisieren, benutzerdefinierte Policies mit vertrauten Backends wie PyTorch oder TensorFlow definieren und Trainingsschleifen mit integrierter Protokollierung und Checkpoints ausführen. Die Bibliothek unterstützt on-policy und off-policy Algorithmen, was flexible Experimente mit Q-Learning, Policy-Gradients und Actor-Critic-Methoden ermöglicht. Durch die Reduktion von Boilerplate-Code erlaubt Dead-simple Selbstlernen Praktikern, Pädagogen und Forschern, Algorithmen zu prototypisieren, Hypothesen zu testen und die Agentenleistung zu visualisieren – mit minimaler Konfiguration. Das modulare Design erleichtert auch die Integration mit bestehenden ML-Stacks und maßgeschneiderten Umgebungen.