MultiAgentPacman ofrece un entorno de juego en Python donde los usuarios pueden implementar, visualizar y comparar múltiples agentes de IA en el dominio Pacman. Soporta algoritmos de búsqueda adversarial como minimax, expectimax, poda alfa-beta, así como agentes personalizados basados en aprendizaje por refuerzo o heurísticas. El marco incluye una interfaz gráfica sencilla, controles en línea de comandos y utilidades para registrar estadísticas de juego y comparar el rendimiento de los agentes en escenarios competitivos o cooperativos.

BomberManAI es un agente de IA diseñado para jugar de manera autónoma el clásico juego Bomberman. Desarrollado en Python, interactúa con un entorno de juego para percibir en tiempo real el estado del mapa, movimientos disponibles y posiciones de los oponentes. El algoritmo principal combina búsqueda A*, búsqueda en amplitud para análisis de alcanzabilidad y una función heurística de evaluación para determinar la mejor ubicación para colocar bombas y estrategias de evasión. El agente maneja obstáculos dinámicos, potenciadores y múltiples oponentes en diferentes disposiciones del mapa. Su arquitectura modular permite a los desarrolladores experimentar con heurísticas personalizadas, módulos de aprendizaje por refuerzo o estrategias de decisión alternativas. Ideal para investigadores en IA de juegos, estudiantes o desarrolladores de bots competitivos, BomberManAI proporciona un marco flexible para probar y mejorar agentes autónomos en juegos.

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 Agente de IA de Pentago Swap implementa un oponente inteligente para el juego Pentago Swap aprovechando un algoritmo de Búsqueda Monte Carlo en Árbol (MCTS) para explorar y evaluar posibles estados del juego. En cada turno, el agente simula numerosas partidas, puntuando las posiciones resultantes para identificar movimientos que maximicen la probabilidad de ganar. Soporta la personalización de parámetros de búsqueda como el número de simulaciones, constante de exploración y política de partidas, permitiendo a los usuarios ajustar el rendimiento. El agente incluye una interfaz de línea de comandos para enfrentamientos directos, autojuego para generar datos de entrenamiento, y una API en Python para integración en entornos de juego o torneos más grandes. Construido con código modular, facilita la extensión con heurísticas alternativas o evaluadores de redes neuronales para investigación avanzada y desarrollo.