simple_rl es una biblioteca Python minimalista diseñada para agilizar la investigación y educación en aprendizaje por refuerzo. Ofrece una API coherente para definir entornos y agentes, con soporte incorporado para paradigmas RL comunes como Q-learning, Monte Carlo y algoritmos de programación dinámica como iteración de valores y políticas. El marco incluye entornos de ejemplo como GridWorld, MountainCar y Multi-Armed Bandits, facilitando experimentación práctica. Los usuarios pueden extender clases base para implementar entornos o agentes personalizados, mientras que funciones utilitarias manejan el registro, seguimiento de rendimiento y evaluación de políticas. La arquitectura ligera y código claro de simple_rl lo hacen ideal para prototipado rápido, enseñanza de fundamentos de RL y benchmarking de nuevos algoritmos en un entorno reproducible y fácil de entender.

El repositorio Berkeley Pacman Projects ofrece una base de código Python modular donde los usuarios construyen y prueban agentes IA en un laberinto de Pacman. Guía a los aprendices a través de la búsqueda no informada e informada (DFS, BFS, A*), búsqueda adversarial multiactores (minimax, poda alfa-beta) y aprendizaje por refuerzo (Q-learning con extracción de características). Interfaces gráficas integradas visualizan el comportamiento de los agentes en tiempo real, mientras que los casos de prueba integrados y el autocalificador verifican la corrección. Al iterar sobre las implementaciones de algoritmos, los usuarios adquieren experiencia práctica en exploración del espacio de estados, diseño heurístico, razonamiento adversarial y aprendizaje basado en recompensas dentro de un marco de juego unificado.

Pacman AI ofrece un entorno y un marco de agentes totalmente funcional en Python para el clásico juego de Pacman. El proyecto implementa algoritmos clave de aprendizaje por refuerzo—Q-learning e iteración de valores—para permitir que el agente aprenda políticas óptimas para la recolección de píldoras, navegación en laberintos y evasión de fantasmas. Los usuarios pueden definir funciones de recompensa personalizadas y ajustar hiperparámetros como la tasa de aprendizaje, factor de descuento y estrategia de exploración. El marco soporta registro de métricas, visualización del rendimiento y configuraciones reproducibles de experimentos. Está diseñado para facilitar su extensión, permitiendo a investigadores y estudiantes integrar nuevos algoritmos o enfoques de aprendizaje con redes neuronales y compararlos con métodos de cuadrícula tradicionales dentro del dominio de Pacman.

El autoaprendizaje simple ofrece a los desarrolladores un enfoque muy simple para crear y entrenar agentes de aprendizaje por refuerzo en Python. El marco abstrae componentes centrales del RL, como envoltorios de entorno, módulos de política y búferes de experiencia, en interfaces concisas. Los usuarios pueden inicializar rápidamente entornos, definir políticas personalizadas usando backends familiares como PyTorch o TensorFlow, y ejecutar bucles de entrenamiento con registro y guardado de puntos de control integrados. La biblioteca soporta algoritmos on-policy y off-policy, permitiendo experimentar de forma flexible con Q-learning, gradientes de políticas y métodos actor-crítico. Al reducir el código repetitivo, el autoaprendizaje simple permite a practicantes, educadores e investigadores prototipar algoritmos, probar hipótesis y visualizar el rendimiento del agente con configuración mínima. Su diseño modular también facilita la integración con pilas de ML existentes y entornos personalizados.

Los agentes de IA para Piedra-Papel-Tijeras son un proyecto open-source en Python que demuestra cómo construir, entrenar y evaluar diferentes estrategias de IA—juego aleatorio, reconocimiento de patrones basado en reglas y aprendizaje por refuerzo (Q-learning)—en el juego clásico Piedra-Papel-Tijeras. Proporciona clases de agentes modulares, un motor de juego configurable, registro de rendimiento y utilidades de visualización. Los usuarios pueden intercambiar fácilmente agentes, ajustar parámetros de aprendizaje y explorar el comportamiento de IA en escenarios competitivos.

HFO_DQN combina Python y TensorFlow para ofrecer un pipeline completo para entrenar agentes de fútbol usando Deep Q-Networks. Los usuarios pueden clonar el repositorio, instalar dependencias incluyendo el simulador HFO y bibliotecas Python, y configurar los parámetros de entrenamiento en archivos YAML. El marco implementa reproducción de experiencias, actualizaciones del red objetivo, exploración epsilon-greedy y modelado de recompensas adaptado al dominio de ofensiva de medio campo. Incluye scripts para entrenamiento de agentes, registro de rendimiento, partidas de evaluación y visualización de resultados. La estructura modular permite integrar arquitecturas de redes neuronales personalizadas, algoritmos RL alternativos y estrategias de coordinación multiagente. Las salidas incluyen modelos entrenados, métricas de rendimiento y visualizaciones del comportamiento, facilitando investigaciones en aprendizaje por refuerzo y sistemas multiagente.

Jason-RL añade una capa de aprendizaje por refuerzo al marco multiagente de Jason, permitiendo que los agentes AgentSpeak BDI aprendan políticas de selección de acciones mediante retroalimentación de recompensas. Implementa algoritmos Q-learning y SARSA, soporta la configuración de parámetros de aprendizaje (tasa de aprendizaje, factor de descuento, estrategia de exploración) y registra métricas de entrenamiento. Al definir funciones de recompensa en los planes de agentes y ejecutar simulaciones, los desarrolladores pueden observar cómo los agentes mejoran su toma de decisiones con el tiempo y se adaptan a entornos cambiantes sin codificación manual de políticas.