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.

CogAgent es una biblioteca en Python orientada a la investigación, diseñada para agilizar el desarrollo de agentes de IA. Proporciona módulos principales para la gestión de memoria, planificación y razonamiento, integración de herramientas y APIs, y ejecución en cadena de pensamiento. Con una arquitectura altamente modular, los usuarios pueden definir herramientas personalizadas, almacenes de memoria y políticas de agentes para crear chatbots conversacionales, planificadores de tareas autónomos y scripts de automatización de flujo de trabajo. CogAgent soporta la integración con modelos de lenguaje populares como OpenAI GPT y Meta LLaMA, permitiendo a investigadores y desarrolladores experimentar, ampliar y escalar sus agentes inteligentes para diversas aplicaciones del mundo real.

ePH-MAPF proporciona un flujo de trabajo eficiente para calcular rutas sin colisiones para decenas a centenas de agentes en mapas basados en cuadrícula. Utiliza heurísticas priorizadas, técnicas de búsqueda incremental y métricas de coste personalizables (Manhattan, Euclidiana) para equilibrar velocidad y calidad de la solución. Los usuarios pueden seleccionar diferentes funciones heurísticas, integrar la biblioteca en sistemas de robótica basados en Python, y evaluar el rendimiento en escenarios estándar de MAPF. El código es modular y bien documentado, permitiendo a investigadores y desarrolladores extenderlo para obstáculos dinámicos o entornos especializados.

El módulo Java Action Linearprogram proporciona una acción especializada para el marco LightJason que permite a los agentes modelar y resolver tareas de optimización lineal. Los usuarios pueden configurar coeficientes objetivos, agregar restricciones de igualdad y desigualdad, seleccionar métodos de solución y ejecutar el solucionador durante un ciclo de razonamiento del agente. Una vez ejecutada, la acción devuelve los valores de variables optimizadas y la puntuación del objetivo que los agentes pueden usar para planificación o ejecución posterior. Este componente plug-and-play abstrae la complejidad del solucionador mientras mantiene control total sobre las definiciones del problema a través de interfaces Java.