multi_agent_celar está diseñado como una plataforma de IA modular que permite la comunicación mediante lenguaje emergente entre múltiples agentes inteligentes en entornos simulados. Los usuarios pueden definir comportamientos de agentes a través de archivos de política, configurar parámetros del entorno, y lanzar sesiones de entrenamiento coordinadas donde los agentes evolucionan sus propios protocolos de comunicación para resolver tareas cooperativas. El marco incluye scripts de evaluación, herramientas de visualización y soporte para experimentos escalables, siendo ideal para investigación en colaboración multi-agente, lenguaje emergente y procesos de toma de decisiones.

JasonEnvironments entrega una colección de módulos de entorno diseñados específicamente para el sistema multi-agente Jason. Cada módulo expone una interfaz estandarizada para que los agentes perciban, actúen e interactúen en escenarios diversos como persecución y evasión, búsqueda de recursos y tareas cooperativas. La biblioteca es fácil de integrar en proyectos Jason existentes: solo incluye el JAR, configura el entorno deseado en tu archivo de arquitectura de agentes y lanza la simulación. Los desarrolladores también pueden extender o personalizar parámetros y reglas para adaptarlos a sus necesidades de investigación o educativas.

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.

Multiagent-Prediction-Reward es un marco orientado a la investigación que integra modelos de predicción y mecanismos de distribución de recompensas para el aprendizaje por refuerzo multi-agente. Incluye envoltorios para entornos, módulos neuronales para prever las acciones de compañeros y lógica de enrutamiento de recompensas personalizable que se adapta al rendimiento de los agentes. El repositorio ofrece archivos de configuración, scripts de ejemplo y paneles de evaluación para ejecutar experimentos en tareas cooperativas. Los usuarios pueden ampliar el código para probar funciones de recompensa novedosas, integrar nuevos entornos y evaluar en comparación con algoritmos RL multi-agente establecidos.

MADDPG escalable es un marco orientado a la investigación para el aprendizaje por refuerzo multiagente, ofreciendo una implementación escalable del algoritmo MADDPG. Cuenta con críticos centralizados durante el entrenamiento y actores independientes en tiempo de ejecución para estabilidad y eficiencia. La biblioteca incluye scripts Python para definir entornos personalizados, configurar arquitecturas de red y ajustar hiperparámetros. Los usuarios pueden entrenar múltiples agentes en paralelo, monitorear métricas y visualizar las curvas de aprendizaje. Se integra con entornos similares a OpenAI Gym y soporta aceleración GPU vía TensorFlow. Gracias a sus componentes modulares, MADDPG escalable permite experimentos flexibles en tareas multiagente cooperativas, competitivas o mixtas, facilitando prototipado rápido y benchmarking.