MAPF_G2RL es un marco de investigación de código abierto que conecta la teoría de grafos y el aprendizaje por refuerzo profundo para abordar el problema de búsqueda de caminos multi-agente (MAPF). Codifica nodos y aristas en representaciones vectoriales, define funciones de recompensa espacial y sensibles a colisiones, y soporta diversos algoritmos RL como DQN, PPO y A2C. El marco automatiza la creación de escenarios generando grafos aleatorios o importando mapas del mundo real, y organiza ciclos de entrenamiento que optimizan políticas para múltiples agentes simultáneamente. Tras el aprendizaje, los agentes son evaluados en entornos simulados para medir la optimalidad de caminos, el tiempo de Makespan y tasas de éxito. Su diseño modular permite a investigadores extender componentes básicos, integrar nuevas técnicas MARL y hacer benchmarking contra solucionadores clásicos.

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.

Colosseum Agent Battles ofrece un SDK modular en Python para construir competencias de agentes IA en arenas personalizables. Los usuarios pueden definir entornos con terrenos, recursos y reglas específicos, e implementar estrategias de agentes mediante una interfaz estandarizada. El marco gestiona la programación de batallas, lógica de árbitros y registro en tiempo real de acciones y resultados. Incluye herramientas para realizar torneos, seguir estadísticas de victorias y derrotas, y visualizar el rendimiento de los agentes mediante gráficos. Los desarrolladores pueden integrar bibliotecas ML populares para entrenar agentes, exportar datos de batalla para análisis y extender módulos de árbitros para aplicar reglas personalizadas. Finalmente, facilita el benchmarking de estrategias IA en enfrentamientos directos. También soporta registros en formatos JSON y CSV para análisis posteriores.

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.

CrewAI-Learning es una biblioteca de código abierto diseñada para agilizar proyectos de aprendizaje por refuerzo multiagente. Ofrece estructura de entornos, definiciones modulares de agentes, funciones de recompensa personalizables y un conjunto de algoritmos incorporados como DQN, PPO y A3C adaptados para tareas colaborativas. Los usuarios pueden definir escenarios, gestionar ciclos de entrenamiento, registrar métricas y visualizar resultados. El marco admite configuración dinámica de equipos de agentes y estrategias de compartición de recompensas, facilitando el prototipado, la evaluación y la optimización de soluciones de IA cooperativa en diversas áreas.