El Agente de IA de Pentago Swap implementa un oponente inteligente para el juego Pentago Swap aprovechando un algoritmo de Búsqueda Monte Carlo en Árbol (MCTS) para explorar y evaluar posibles estados del juego. En cada turno, el agente simula numerosas partidas, puntuando las posiciones resultantes para identificar movimientos que maximicen la probabilidad de ganar. Soporta la personalización de parámetros de búsqueda como el número de simulaciones, constante de exploración y política de partidas, permitiendo a los usuarios ajustar el rendimiento. El agente incluye una interfaz de línea de comandos para enfrentamientos directos, autojuego para generar datos de entrenamiento, y una API en Python para integración en entornos de juego o torneos más grandes. Construido con código modular, facilita la extensión con heurísticas alternativas o evaluadores de redes neuronales para investigación avanzada y desarrollo.

ePH-MAPF proporciona un flujo de trabajo eficiente para calcular rutas sin colisiones para decenas a centenas de agentes en mapas basados en cuadrícula. Utiliza heurísticas priorizadas, técnicas de búsqueda incremental y métricas de coste personalizables (Manhattan, Euclidiana) para equilibrar velocidad y calidad de la solución. Los usuarios pueden seleccionar diferentes funciones heurísticas, integrar la biblioteca en sistemas de robótica basados en Python, y evaluar el rendimiento en escenarios estándar de MAPF. El código es modular y bien documentado, permitiendo a investigadores y desarrolladores extenderlo para obstáculos dinámicos o entornos especializados.