MARO (Multi-Agent Resource Optimization) es un marco basado en Python diseñado para apoyar el desarrollo y evaluación de agentes de aprendizaje por refuerzo multi-agente en escenarios de cadena de suministro, logística y gestión de recursos. Incluye plantillas para gestión de inventarios, planificación de camiones, cross-docking, alquiler de contenedores y más. MARO ofrece una API unificada de agentes, rastreadores integrados para registro de experimentos, capacidades de simulación paralela para entrenamiento a gran escala y herramientas de visualización para análisis de rendimiento. La plataforma es modular, extensible e integra bibliotecas RL populares, facilitando investigaciones reproducibles y creación rápida de prototipos de soluciones de optimización basadas en IA.

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.

Poke-Env está diseñado para simplificar la creación y evaluación de agentes de IA para batallas en Pokémon Showdown mediante una interfaz completa en Python. Gestiona la comunicación con el servidor Pokémon Showdown, analiza los datos del estado del juego y gestiona las acciones turno a turno mediante una arquitectura basada en eventos. Los usuarios pueden extender clases básicas de jugadores para implementar estrategias personalizadas usando aprendizaje por refuerzo o algoritmos heurísticos. El framework ofrece soporte integrado para simulaciones de batalla, enfrentamientos paralelos y registros detallados de acciones, recompensas y resultados para investigación reproducible. Al abstraer tareas de red y análisis de bajo nivel, Poke-Env permite a investigadores y desarrolladores centrarse en el diseño de algoritmos, afinación de rendimiento y benchmarking comparativo de estrategias de batalla.