MGym es un marco especializado para crear y gestionar entornos de aprendizaje por refuerzo multiagente (MARL) en Python. Permite a los usuarios definir escenarios complejos con múltiples agentes, cada uno con espacios de observación y acción personalizables, funciones de recompensa y reglas de interacción. MGym soporta modos de ejecución sincrónica y asincrónica, proporcionando simulaciones de agentes en paralelo y por turnos. Con una API similar a Gym, MGym se integra perfectamente con bibliotecas RL populares como Stable Baselines, RLlib y PyTorch. Incluye módulos de utilidad para evaluación de entornos, visualización de resultados y análisis de rendimiento, facilitando una evaluación sistemática de algoritmos MARL. Su arquitectura modular permite prototipar rápidamente tareas cooperativas, competitivas o de agentes mixtos, empoderando a investigadores y desarrolladores para acelerar la experimentación y la investigación en MARL.

Multi-Agent-AI-Models-and-Path-Planning proporciona un conjunto completo de herramientas para desarrollar y probar sistemas multi-agente combinados con métodos clásicos y modernos de planificación de rutas. Incluye implementaciones de algoritmos como A*, Dijkstra, RRT y campos potenciales, junto con modelos de comportamiento de agentes personalizables. El marco cuenta con módulos de simulación y visualización, permitiendo crear escenarios de manera sencilla, monitoreo en tiempo real y análisis de rendimiento. Diseñado para la extensibilidad, los usuarios pueden agregar nuevos algoritmos de planificación o modelos de decisión de agentes para evaluar la navegación cooperativa y la asignación de tareas en entornos complejos.