El Modelo Depredador-Presa de Mesa es una implementación de código abierto en Python del sistema clásico Lotka-Volterra, construida sobre el framework de modelado por agentes Mesa. Simula agentes individuales de depredadores y presas que se mueven e interactúan en una cuadrícula donde las presas se reproducen y los depredadores buscan alimento para sobrevivir. Los usuarios pueden configurar las poblaciones iniciales, probabilidades de reproducción, consumo de energía y otros parámetros ambientales a través de una interfaz web. La simulación proporciona visualizaciones en tiempo real, incluyendo mapas de calor y curvas de población, y registros de datos para análisis posterior. Investigadores, educadores y estudiantes pueden extender el modelo personalizando los comportamientos de los agentes, añadiendo nuevas especies o integrando reglas ecológicas complejas. El proyecto está diseñado para facilidad de uso, prototipado rápido y demostraciones educativas de la dinámica ecológica emergente.

Multi-Agent Systems proporciona una caja de herramientas completa para crear, controlar y observar las interacciones entre agentes autónomos. Los desarrolladores pueden definir clases de agentes con lógica de decisión personalizada, configurar entornos complejos con recursos y reglas configurables, e implementar canales de comunicación para el intercambio de información. El marco soporta planificación sincrónica y asincrónica, comportamientos impulsados por eventos, e integra registros para métricas de rendimiento. Los usuarios pueden extender módulos principales o integrar modelos de IA externos para mejorar la inteligencia de los agentes. Las herramientas de visualización representan simulaciones en tiempo real o en post-proceso, ayudando a analizar comportamientos emergentes y optimizar parámetros del sistema. Desde investigación académica hasta prototipos de aplicaciones distribuidas, Multi-Agent Systems simplifica las simulaciones end-to-end de multiagentes.

El Swarm Simulator ofrece un entorno personalizable para experimentos multi-agentes en tiempo real. Los usuarios pueden ajustar parámetros clave — alineación, cohesión, separación — y observar la dinámica emergente en un lienzo visual. Cuenta con deslizadores de interfaz interactivos, ajuste dinámico del número de agentes y exportación de datos para análisis. Ideal para demostraciones educativas, prototipado de investigación o exploración aficionada de principios de inteligencia de enjambre.

Flocking Multi-Agent proporciona una biblioteca modular para simular agentes autónomos que exhiben inteligencia de enjambre. Codifica comportamientos centrales de dirección: cohesión, separación y alineación, además de evitación de obstáculos y persecución de objetivos dinámicos. Utilizando Python y Pygame para visualización, permite ajustar parámetros como el radio del vecino, velocidad máxima y fuerza de giro. Soporta extensibilidad mediante funciones personalizadas de comportamiento y ganchos de integración para plataformas robóticas o motores de juego. Ideal para experimentación en IA, robótica, desarrollo de juegos e investigación académica, demostrando cómo reglas locales simples conducen a formaciones globales complejas.