JADE-DR-VPP es un marco de Java de código abierto que implementa un sistema multi-agente para la respuesta a la demanda (DR) en plantas de energía virtuales (VPP). Cada agente representa una carga o unidad de generación flexible que se comunica mediante mensajería JADE. El sistema orquesta eventos DR, programa ajustes de carga y agrega recursos para cumplir con las señales de la red. Los usuarios pueden configurar comportamientos de agentes, ejecutar simulaciones a gran escala y analizar métricas de rendimiento para estrategias de gestión energética.
Características principales de JADE-DR-VPP
Orquestación de respuesta a la demanda multi-agente
Mensajería en tiempo real vía JADE entre agentes
Modelos de agentes de carga y generación configurables
Agrupación y despacho de recursos VPP
Exportación de resultados de simulación (CSV/JSON)
Un entorno RL que simula múltiples mineros agentes cooperativos y competitivos que recopilan recursos en un mundo basado en una cuadrícula para el aprendizaje multiagente.
Multi-Agent Miners ofrece un entorno de mundo en cuadrícula donde varios agentes mineros autónomos navegan, excavan y recogen recursos interactuando entre sí. Soporta tamaños de mapa configurables, número de agentes y estructuras de recompensa, permitiendo crear escenarios competitivos o cooperativos. El marco se integra con bibliotecas RL populares mediante PettingZoo, proporcionando APIs estandarizadas para funciones de reinicio, paso y renderizado. Los modos de visualización y soporte de registro ayudan a analizar comportamientos y resultados, siendo ideal para investigación, educación y benchmarking de algoritmos en aprendizaje por refuerzo multiagente.
Marco de trabajo de código abierto basado en PyTorch que implementa la arquitectura CommNet para el aprendizaje por refuerzo multiagente con comunicación entre agentes que permite decisiones colaborativas.
CommNet es una biblioteca orientada a la investigación que implementa la arquitectura CommNet, permitiendo que múltiples agentes compartan estados ocultos en cada paso temporal y aprendan a coordinar acciones en entornos cooperativos. Incluye definiciones de modelos en PyTorch, scripts de entrenamiento y evaluación, envoltorios para entornos OpenAI Gym y utilidades para personalizar canales de comunicación, conteo de agentes y profundidades de red. Investigadores y desarrolladores pueden usar CommNet para prototipar y evaluar estrategias de comunicación entre agentes en tareas de navegación, persecución-salvación y recolección de recursos.