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.

El marco YGO-Agent permite a investigadores y entusiastas desarrollar bots de IA que juegan al juego de cartas Yu-Gi-Oh usando aprendizaje por refuerzo. Envuelve el simulador YGOPRO en un entorno compatible con OpenAI Gym, definiendo representaciones de estado como mano, campo y puntos de vida, así como representaciones de acción que incluyen invocaciones, activación de hechizos/trampas y ataques. Las recompensas se basan en resultados de victoria/derrota, daño causado y progreso del juego. La arquitectura del agente usa PyTorch para implementar DQN, con opciones para arquitecturas de red personalizadas, reproducción de experiencia y exploración epsilon-greedy. Los módulos de registro registran curvas de entrenamiento, tasas de victoria y registros detallados de movimientos para análisis. El marco es modular, permitiendo a los usuarios reemplazar o extender componentes como la función de recompensa o el espacio de acción.

El Agente de IA de Azul es una solución especializada para la competición del juego de mesa Azul. Implementado en Python, modela el estado del juego, aplica búsqueda Minimax para poda determinista y utiliza Exploración en Árbol Monte Carlo para explorar resultados estocásticos. El agente emplea heurísticas personalizadas para evaluar las posiciones del tablero, priorizando patrones de colocación de fichas que generan muchos puntos. Soporta modo torneo individual, simulaciones por lotes y registro de resultados para análisis de rendimiento. Los usuarios pueden ajustar los parámetros del algoritmo, integrar en entornos de juego personalizados y visualizar árboles de decisión para entender las selecciones de movimiento.

MicroByte es una consola de juegos retro innovadora y de código abierto. Está diseñada para entusiastas de los sistemas de juegos clásicos de 8 bits, proporcionando una experiencia de juego portátil y de alta resolución. La consola es compatible con plataformas populares como NES, GameBoy y Game Gear, y utiliza una colorida pantalla IPS de alta densidad de píxeles. Los usuarios pueden disfrutar de juegos vintage con la conveniencia del hardware moderno. Gracias a su naturaleza de código abierto, MicroByte permite una extensa personalización, alentando las contribuciones de la comunidad y las extensiones de software.