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.

Autogen Studio Research est un prototype de recherche hébergé sur GitHub pour construire, visualiser et faire évoluer des applications d'IA multi-agents. Il propose une interface web permettant de faire glisser et déposer des composants d'agents, définir des canaux de communication et configurer des pipelines d'exécution. En arrière-plan, il utilise un SDK Python pour se connecter à divers backends LLM (OpenAI, Azure, modèles locaux) et offre un journal en temps réel, des métriques et des outils de débogage. La plateforme est conçue pour le prototypage rapide de systèmes d'agents collaboratifs, de flux de décisions et d'orchestration automatisée des tâches.

Le dépôt du protocole Contract Net fournit une implémentation Java complète du protocole d’interaction FIPA Contract Net. Les développeurs peuvent créer des agents gestionnaires et contractants échangeant CFP (Call For Proposal), propositions, acceptations et rejets via des canaux de communication entre agents. Le code inclut des modules principaux pour la diffusion de tâches, la collecte d’offres, l’évaluation des propositions selon des critères personnalisables, l’attribution de contrats et la surveillance de l’état d’exécution. Il peut être intégré dans des frameworks multi-agents plus grands ou utilisé comme bibliothèque autonome pour la recherche, la planification industrielle ou la coordination robotique.

JADE-DR-VPP est un cadre Java open-source qui implémente un système multi-agents pour la réponse à la demande (DR) dans les centrales électriques virtuelles (VPP). Chaque agent représente une charge ou une unité de génération flexible, communiquant via la messagerie JADE. Le système orchestre les événements DR, planifie les ajustements de charge et agrège les ressources pour répondre aux signaux du réseau. Les utilisateurs peuvent configurer le comportement des agents, exécuter des simulations à grande échelle et analyser les métriques de performance pour les stratégies de gestion de l'énergie.

Jason-RL ajoute une couche d'apprentissage par renforcement au cadre multi-agent Jason, permettant aux agents AgentSpeak BDI d'apprendre des politiques de sélection d'actions via le feedback de récompense. Elle met en œuvre les algorithmes Q-learning et SARSA, supporte la configuration des paramètres d'apprentissage (taux d'apprentissage, facteur d'actualisation, stratégie d'exploration) et enregistre les métriques d'entraînement. En définissant des fonctions de récompense dans les plans d'agents et en exécutant des simulations, les développeurs peuvent observer l'amélioration des prises de décision des agents au fil du temps, s'adaptant à des environnements changeants sans coder manuellement les politiques.

JASA fournit un ensemble complet de bibliothèques Java pour construire et exécuter des simulations de systèmes multi-agents. Il supporte la gestion du cycle de vie des agents, la planification d'événements, la transmission asynchrone de messages et la modélisation d'environnements. Les développeurs peuvent étendre les classes principales pour implémenter des comportements personnalisés, intégrer des sources de données externes et visualiser les résultats de la simulation. La conception modulaire et la documentation API claire facilitent la création rapide de prototypes et la scalabilité, ce qui le rend adapté à la recherche académique, à l'enseignement et au développement de preuves de concept en modélisation basée sur les agents.

Le modèle prédateur-proie Mesa est une implémentation open-source en Python du système classique Lotka-Volterra, construit sur le framework de modélisation par agents Mesa. Il simule des agents individuels de prédateurs et de proies se déplaçant et interagissant sur une grille où la proie se reproduit et le prédateur chasse pour survivre. Les utilisateurs peuvent configurer les populations initiales, les probabilités de reproduction, la consommation d’énergie et d’autres paramètres environnementaux via une interface web. La simulation offre des visualisations en temps réel, y compris des cartes thermiques et des courbes de population, ainsi que des journaux de données pour l’analyse post-mise en route. Chercheurs, éducateurs et étudiants peuvent étendre le modèle en personnalisant les comportements des agents, en ajoutant de nouvelles espèces ou en intégrant des règles écologiques complexes. Le projet est conçu pour la facilité d’utilisation, la prototypage rapide et les démonstrations éducatives de la dynamique écologique émergente.

Le projet utilise le cadre JADE (Java Agent DEvelopment) pour construire un environnement multi-agent. Il définit des agents qui s'enregistrent auprès du AMS et du DF de la plateforme, échangent des messages ACL et exécutent des comportements tels que cycliques, à une seule étape et FSM. Les scénarios exemples incluent des négociations acheteur-vendeur, des protocoles de contrat en réseau et l'attribution de tâches. Un conteneur GUI pour agents aide à surveiller l'état d'exécution des agents et le flux de messages.

Multi-Agent Systems fournit une boîte à outils complète pour créer, contrôler et observer les interactions entre agents autonomes. Les développeurs peuvent définir des classes d'agents avec une logique décisionnelle personnalisée, configurer des environnements complexes avec des ressources et des règles configurables, et mettre en œuvre des canaux de communication pour l'échange d'informations. Le framework prend en charge la planification synchrone et asynchrone, les comportements basés sur des événements, et intègre la journalisation pour les métriques de performance. Les utilisateurs peuvent étendre les modules de base ou intégrer des modèles d'IA externes pour améliorer l'intelligence des agents. Les outils de visualisation offrent une représentation en temps réel ou après exécution, pour analyser les comportements émergents et optimiser les paramètres du système. De la recherche académique aux prototypes d’applications distribuées, Multi-Agent Systems simplifie les simulations multi-agents de bout en bout.

Ce framework open-source combine la bibliothèque de modélisation des agents AgentSimJs avec le moteur graphique 3D de Three.js pour fournir des simulations multi-agents interactives basées sur le navigateur. Les utilisateurs peuvent définir des types d'agents, des comportements et des règles environnementales, configurer la détection de collision et la gestion des événements, et visualiser les simulations en temps réel avec des options de rendu personnalisables. La bibliothèque prend en charge la gestion dynamique des contrôles, des scènes et du tuning des performances, ce qui l rend idéale pour la recherche, l'éducation et le prototypage de scénarios complexes basés sur des agents.

Multi-Agent System fournit une boîte à outils légère mais puissante pour concevoir et exécuter des simulations multi-agent. Les utilisateurs peuvent créer des classes d’agents personnalisées pour encapsuler la logique de décision, définir des objets Environnement pour représenter les états et règles du monde, et configurer un moteur de simulation pour orchestrer les interactions. Le framework supporte des composants modulaires pour la journalisation, la collecte de métriques et la visualisation basique pour analyser le comportement des agents dans des environnements coopératifs ou adverses. Il convient au prototypage rapide de la robotique en essaim, de l’allocation de ressources et des expériences de contrôle décentralisé.

AgentSimJS est conçu pour faciliter la création et l'exécution de modèles à grande échelle basés sur des agents en JavaScript. Grâce à son architecture modulaire, les développeurs peuvent définir des agents avec des états, capteurs, fonctions de décision et actionneurs personnalisés, puis les intégrer dans des environnements dynamiques paramétrés par des variables globales. Le framework orchestre des simulations à étapes discrets, gère la messagerie basée sur des événements entre agents et enregistre les données d'interaction pour analyse. Les modules de visualisation supportent le rendu en temps réel via Canvas HTML5 ou des bibliothèques externes, tandis que les plugins permettent une intégration avec des outils statistiques. AgentSimJS fonctionne à la fois dans les navigateurs modernes et sous Node.js, le rendant adapté aux applications web interactives, à la recherche académique, aux outils éducatifs et au prototypage rapide d'intelligence en essaim, de dynamique des foules ou d'expériences d'IA distribuée.

ASP-DALI fournit une plateforme unifiée pour définir et exécuter des agents intelligents basés sur la logique. Les développeurs écrivent des règles ASP pour représenter la connaissance et les objectifs de l’agent, tandis que les constructions DALI définissent les réactions aux événements et l’exécution des actions. À l’exécution, un solveur ASP calcule des ensembles de réponses qui guident la prise de décision de l’agent, lui permettant de planifier, de réagir aux événements entrants et d’ajuster ses croyances de manière dynamique. Le cadre supporte des bases de connaissances modulaires, facilitant les mises à jour incrémentielles et la séparation claire entre règles déclaratives et comportements réactifs. ASP-DALI est implémenté en Prolog avec des interfaces vers des solveurs ASP populaires, simplifiant l’intégration et le déploiement en recherche et prototypes.

NeuralABM est une bibliothèque open-source en Python qui exploite PyTorch pour intégrer des réseaux neuronaux dans la modélisation basée sur des agents. Les utilisateurs peuvent spécifier des architectures d'agents sous forme de modules neuronaux, définir la dynamique de l'environnement et entraîner le comportement des agents via la rétro-propagation sur les étapes de simulation. Le framework supporte des signaux de récompense personnalisés, l'apprentissage par curriculum, ainsi que des mises à jour synchrones ou asynchrones, permettant d'étudier des phénomènes émergents. Avec des utilitaires pour la journalisation, la visualisation et l'exportation de jeux de données, chercheurs et développeurs peuvent analyser la performance des agents, déboguer les modèles et itérer sur la conception des simulations. NeuralABM facilite la combinaison de l'apprentissage par renforcement avec l'ABM pour des applications en sciences sociales, économie, robotique et comportements NPC pilotés par IA dans les jeux. Il fournit des composants modulaires pour la personnalisation de l'environnement, supporte les interactions multi-agents, et offre des hooks pour intégrer des jeux de données ou API externes pour des simulations du monde réel. La conception ouverte favorise la reproductibilité et la collaboration via une configuration claire des expériences et une intégration du contrôle de version.

AgentVerse est conçu pour faciliter la création d'architectures multi-agent en proposant un ensemble de modules réutilisables et d'abstractions. Les utilisateurs peuvent définir des classes d'agents uniques avec une logique de décision personnalisée, établir des canaux de communication pour le passage de messages, et simuler des conditions environnementales. La plateforme supporte des interactions synchrones et asynchrones entre agents, permettant des workflows complexes comme la négociation, la délégation de tâches et la résolution coopérative de problèmes. Avec la journalisation et la surveillance intégrées, les développeurs peuvent tracer les actions des agents et évaluer les métriques de performance. AgentVerse inclut également des modèles pour des cas d'utilisation courants comme l'exploration autonome, les simulations de trading et la génération de contenu collaborative. Son design modulable permet une intégration transparente des modèles ML externes, tels que les modèles linguistiques ou les algorithmes d'apprentissage par renforcement, offrant une flexibilité pour diverses applications pilotées par l'IA.