L'agent IA Azul Game est une solution spécialisée pour la compétition du jeu de société Azul. Implémenté en Python, il modélise l'état du jeu, applique la recherche Minimax pour l'élagage déterministe, et exploite Monte Carlo Tree Search pour explorer les résultats stochastiques. L'agent utilise des heuristiques personnalisées pour évaluer les positions sur le plateau, en favorisant les motifs de placement de tuiles qui rapportent beaucoup de points. Il prend en charge le mode tournoi individuel, les simulations par lot, et la journalisation des résultats pour l'analyse des performances. Les utilisateurs peuvent ajuster les paramètres de l'algorithme, intégrer l'agent dans des environnements de jeu personnalisés, et visualiser les arbres de décision pour comprendre le processus de sélection des coups.

AGM: AI Game Maker est une plateforme innovante conçue pour les développeurs de jeux en herbe. Elle intègre la technologie de l'IA pour rationaliser le processus de création de jeux, offrant aux utilisateurs des outils pour concevoir des personnages, des environnements et une logique de jeu. Les utilisateurs peuvent créer des expériences de jeu interactives avec un minimum de connaissances en codage, permettant un prototypage et une itération rapides. L'IA aide à générer des dialogues, des œuvres d'art et même de la musique, améliorant ainsi la productivité et la créativité globales dans le développement de jeux.

TexasHoldemAgent fournit un environnement modulaire basé sur Python pour entraîner, évaluer et déployer un joueur de poker alimenté par IA pour le Texas Hold’em limit heads-up. Il intègre un moteur de simulation personnalisé avec des algorithmes d'apprentissage par renforcement profond, dont DQN, pour une amélioration itérative de la politique. Les capacités clés incluent l'encodage de l'état de la main, la définition de l'espace d'action (fold, call, raise), la modélisation de la récompense et l'évaluation des décisions en temps réel. Les utilisateurs peuvent personnaliser les paramètres d'apprentissage, utiliser l'accélération CPU/GPU, suivre l'avancement de la formation et charger ou sauvegarder des modèles entraînés. Le cadre supporte des simulations par lot pour tester diverses stratégies, générer des métriques de performance et visualiser les taux de réussite, permettant aux chercheurs, développeurs et amateurs de poker d'expérimenter avec des stratégies de jeu pilotées par l'IA.

Ce dépôt fournit un cadre complet d'apprentissage par renforcement pour la recherche sur le gameplay de StarCraft II. L'agent principal utilise la Proximal Policy Optimization (PPO) pour apprendre des réseaux de politiques interprétant les données d'observation de l'environnement PySC2 et générant des actions précises dans le jeu. Les développeurs peuvent configurer les couches de réseaux neuronaux, la reformulation des récompenses et les plannings d'entraînement pour optimiser la performance. Le système supporte la collecte d'échantillons en multiprocessing pour plus d'efficacité, des outils de journalisation pour suivre les courbes d'entraînement, et des scripts d'évaluation pour tester les politiques entraînées contre des adversaires scriptés ou IA intégrée. Le code est écrit en Python et utilise TensorFlow pour la définition et l'optimisation des modèles. Les utilisateurs peuvent étendre des composants tels que les fonctions de récompense personnalisées, le pré-traitement des états ou les architectures de réseaux pour répondre à leurs objectifs de recherche spécifiques.

MultiAgentPacman offre un environnement de jeu en Python où les utilisateurs peuvent implémenter, visualiser et benchmarker plusieurs agents IA dans le domaine Pacman. Il supporte des algorithmes de recherche adverse tels que minimax, expectimax, élagage alpha-bêta, ainsi que des agents personnalisés utilisant l'apprentissage par renforcement ou des heuristiques. Le cadre inclut une GUI simple, des contrôles en ligne de commande et des outils pour enregistrer les statistiques de jeu et comparer la performance des agents dans des scénarios compétitifs ou coopératifs.

BomberManAI est un agent IA conçu pour jouer automatiquement au jeu classique Bomberman. Développé en Python, il interagit avec un environnement de jeu pour percevoir l’état de la carte, les mouvements disponibles et les positions des adversaires en temps réel. L’algorithme principal combine la recherche A*, la recherche en largeur pour l’analyse de la reachabilité, et une fonction d’évaluation heuristique pour déterminer le meilleur endroit pour poser une bombe et élaborer des stratégies d’évasion. L’agent gère les obstacles dynamiques, les power-ups et plusieurs adversaires sur diverses cartes. Son architecture modulaire permet aux développeurs d’expérimenter avec des heuristiques personnalisées, l’apprentissage par renforcement ou d’autres stratégies de décision. Idéal pour les chercheurs en IA de jeu, les étudiants et les développeurs de bots compétitifs, BomberManAI offre un cadre flexible pour tester et améliorer des agents de jeu autonomes.

SoccerAgent est un cadre IA spécialisé conçu pour développer et entraîner des agents de football autonomes en utilisant des techniques avancées d'apprentissage par renforcement multi-agent (MARL). Il simule des matchs de football réalistes dans des environnements 2D ou 3D, offrant des outils pour définir des fonctions de récompense, personnaliser les attributs des joueurs et mettre en œuvre des stratégies tactiques. Les utilisateurs peuvent intégrer des algorithmes RL courants (tels que PPO, DDPG et MADDPG) via des modules intégrés, suivre la progression de l'entraînement via des tableaux de bord et visualiser le comportement des agents en temps réel. Le cadre prend en charge l'entraînement basé sur des scénarios pour l'attaque, la défense et la coordination. Avec une base de code extensible et une documentation détaillée, SoccerAgent permet aux chercheurs et développeurs d'analyser la dynamique d'équipe et d'affiner leurs stratégies de jeu basées sur l'IA pour des projets académiques et commerciaux.

GiftSong est une plateforme innovante qui transforme vos souvenirs en cadeaux musicaux personnalisés. Que vous souhaitiez commémorer un anniversaire, un mariage ou un jalon spécial, vous pouvez personnaliser votre chanson en choisissant l'occasion, le style musical et en ajoutant des touches personnelles. En utilisant une technologie avancée, GiftSong génère une chanson unique, sur mesure pour vous, rendant chaque cadeau mémorable. Idéal pour les moments intimes et les plus grandes célébrations, laissez GiftSong vous aider à créer la mélodie parfaite qui résonne avec les émotions et les souvenirs chéris.

MetaHuman Creator offre une interface intuitive pour concevoir des humains numériques photoréalistes avec des détails sans précédent. Les utilisateurs peuvent personnaliser les traits du visage, les textures de la peau et les styles de cheveux à l'aide d'une riche bibliothèque de ressources. L'outil simplifie le processus de rigging et d'animation pour le développement de personnages, s'intégrant parfaitement à Unreal Engine pour fournir des personnages de haute qualité prêts à l'animation et au gameplay.

Le DND LLM Game utilise de grands modèles linguistiques comme maître du donjon IA, créant en réponse aux prompts des joueurs des descriptions narratives, quêtes et rencontres en temps réel. Il s'intègre à l'API GPT d'OpenAI et supporte la personnalisation des paramètres d'aventure, niveaux de difficulté et personnalités NPC. Lorsqu'un joueur décrit une action ou pose une question dans le chat, l'IA génère des détails de scène vivants, des dialogues et des chemins d'histoire divergents à la volée. Les développeurs et maîtres de jeu peuvent configurer l’engin via des scripts Python, ajuster les paramètres du modèle et étendre le cadre pour inclure des modules personnalisés, ce qui en fait un outil flexible pour des sessions RPG en solo ou des campagnes de jeu assistées par IA.

MultiAgent-Systems-StarCraft2-PySC2-Raw fournit un kit complet pour le développement, l'entraînement et l'évaluation de multiples agents IA dans StarCraft II. Il expose des contrôles de bas niveau pour le déplacement d'unités, la visée et les capacités, tout en permettant une conception flexible de récompenses et de scénarios. Les utilisateurs peuvent facilement insérer des architectures neuronales personnalisées, définir des stratégies de coordination en équipe et enregistrer des métriques. Basé sur PySC2, il supporte l'entraînement en parallèle, la création de points de contrôle et la visualisation, ce qui en fait un outil idéal pour faire progresser la recherche en apprentissage par renforcement multi-agent coopératif et adversarial.

Le cadre YGO-Agent permet aux chercheurs et aux passionnés de développer des bots IA qui jouent au jeu de cartes Yu-Gi-Oh en utilisant l'apprentissage par renforcement. Il enveloppe le simulateur de jeu YGOPRO dans un environnement compatible OpenAI Gym, définissant des représentations d'état telles que la main, le terrain et les points de vie, ainsi que des représentations d'action incluant l'invocation, l'activation de sorts/pièges et l'attaque. Les récompenses sont basées sur les résultats de victoire/défaite, les dégâts infligés et la progression du jeu. L'architecture de l'agent utilise PyTorch pour implémenter DQN, avec des options pour des architectures de réseau personnalisées, la rejouabilité d'expérience et l'exploration epsilon-greedy. Les modules de journalisation enregistrent les courbes d'entraînement, les taux de victoire et les logs de mouvements détaillés pour l'analyse. Le cadre est modulaire, permettant aux utilisateurs de remplacer ou d'étendre des composants tels que la fonction de récompense ou l'espace d'action.

PyGame Learning Environment (PLE) est un framework Python open-source conçu pour simplifier le développement, le test et le benchmarking des agents d'apprentissage par renforcement dans des scénarios de jeu personnalisés. Il fournit une collection de jeux légers basés sur Pygame avec un support intégré pour l'observation des agents, les espaces d'actions discrets et continus, la modulation des récompenses et le rendu de l'environnement. PLE dispose d'une API facile à utiliser compatible avec les wrappers OpenAI Gym, permettant une intégration transparente avec des bibliothèques RL populaires telles que Stable Baselines et TensorForce. Les chercheurs et les développeurs peuvent personnaliser les paramètres de jeu, implémenter de nouveaux jeux et exploiter des environnements vectoriels pour un entraînement accéléré. Avec une contribution communautaire active et une documentation extensive, PLE sert de plateforme polyvalente pour la recherche académique, l'éducation et le prototypage d'applications RL réelles.

BotPlayers est un framework polyvalent open-source conçu pour simplifier le développement et le déploiement d'agents de jeu pilotés par IA. Il comprend une couche d'abstraction d'environnement flexible supportant le screen scraping, les API web ou des interfaces de simulation personnalisées, permettant aux bots d'interagir avec divers jeux. Le framework inclut des algorithmes d'apprentissage par renforcement intégrés, des algorithmes génétiques et des heuristiques basées sur des règles, ainsi que des outils pour la journalisation des données, le pointage des modèles et la visualisation des performances. Son système de plugins modulaire permet aux développeurs de personnaliser capteurs, actions et politiques IA en Python ou Java. BotPlayers propose également une configuration YAML pour un prototypage rapide et des pipelines automatisés pour l'entraînement et l'évaluation. Supportant plusieurs plates-formes comme Windows, Linux et macOS, ce framework accélère la recherche et la production d'agents de jeu intelligents.

Au cœur de Gomoku Battle, se trouve un environnement de simulation robuste où les agents IA suivent un protocole basé sur JSON pour recevoir des mises à jour de l'état du plateau et soumettre des décisions de mouvement. Les développeurs peuvent intégrer des stratégies personnalisées en implémentant de simples interfaces Python, en utilisant des bots d'exemple comme référence. Le gestionnaire de tournois intégré automatise la programmation de matches en round-robin ou à élimination, tandis que des logs détaillés capturent des métriques telles que taux de victoire, temps par mouvement et historiques de jeu. Les résultats peuvent être exportés en CSV ou JSON pour une analyse statistique approfondie. Le framework supporte une exécution parallèle pour accélérer les expériences à grande échelle, et peut être étendu pour inclure des règles personnalisées ou des pipelines d'entraînement, ce qui le rend idéal pour la recherche, l'éducation et le développement concurrentiel d'IA.

Une coupe de football AI dans un environnement Java JADE est une démonstration open-source qui exploite le framework Java Agent DEvelopment (JADE) pour simuler un tournoi de football complet. Elle modélise chaque joueur comme un agent autonome avec des comportements de déplacement, contrôle du ballon, passes et tirs, coordonnés via la transmission de messages pour exécuter des stratégies. Le simulateur inclut des agents arbitres et entraîneurs, applique les règles du jeu et gère les brackets du tournoi. Les développeurs peuvent étendre la prise de décision avec des règles personnalisées ou intégrer des modules d'apprentissage automatique. Cet environnement illustre la communication multi-agent, le travail d'équipe et la planification stratégique dynamique dans un scénario sportif en temps réel.

FemaleSwitch est un agent IA révolutionnaire dans l'industrie du jeu qui se concentre sur la création de personnages féminins dynamiques et engageants. Cet agent IA aide les utilisateurs à élaborer des récits personnalisés et des arcs de personnages uniques, augmentant considérablement l'interaction et la satisfaction des joueurs. En utilisant des algorithmes avancés, FemaleSwitch génère des dialogues et des scénarios immersifs conçus spécialement pour les personnages féminins, enrichissant et diversifiant l'expérience de jeu.

L'agent IA Pentago Swap met en œuvre un adversaire intelligent pour le jeu Pentago Swap en exploitant un algorithme Monte Carlo Tree Search (MCTS) pour explorer et évaluer les états de jeu potentiels. À chaque tour, l'agent simule de nombreux déploiements, en notant les positions de jeu résultantes pour identifier les coups qui maximisent la probabilité de victoire. Il supporte la personnalisation des paramètres de recherche tels que le nombre de simulations, la constante d'exploration et la politique de déploiement, permettant aux utilisateurs d'optimiser la performance. L'agent comprend une interface en ligne de commande pour des affrontements directs, l'auto-jeu pour générer des données d'entraînement, et une API Python pour l'intégration dans des environnements de jeu ou des tournois plus vastes. Avec un code modulaire, il facilite l'extension avec des heuristiques alternatives ou des évaluateurs en réseaux neuronaux pour la recherche avancée et le développement.

Samsung Ballie est un agent IA innovant qui s'intègre harmonieusement à votre environnement domestique pour offrir une gamme de fonctionnalités, y compris la surveillance de la sécurité, le contrôle des appareils intelligents et la communication personnalisée. Équipé de capteurs avancés et de capacités d'apprentissage automatique, Ballie peut naviguer dans votre maison, surveiller les activités et même interagir avec les membres de la famille via des commandes vocales. Il apprend les préférences des utilisateurs au fil du temps, offrant une expérience sur mesure qui améliore la vie domestique.

AIpacman est un projet Python open-source simulant l'environnement de jeu Pac-Man pour des expériences en IA. Les utilisateurs peuvent choisir parmi des agents intégrés ou en créer de nouveaux avec des algorithmes de recherche comme DFS, BFS, A*, UCS ; des méthodes adverses telles que Minimax avec élagage Alpha-Beta et Expectimax ; ou des techniques d'apprentissage par renforcement comme Q-Learning. Le framework offre des labyrinthes configurables, un journal de performance, une visualisation des décisions des agents, et une interface en ligne de commande pour jouer des matchs et comparer les scores. Il est conçu pour les cours, benchmarks de recherche et projets amateurs en IA et développement de jeux.