MultiAgentModel fournit une API unifiée pour définir des environnements personnalisés et des classes d'agents pour des scénarios multi-agents. Les développeurs peuvent spécifier les espaces d'observation et d'action, les structures de récompense et les canaux de communication. La prise en charge intégrée d'algorithmes RL populaires comme PPO, DQN et A2C permet un entraînement avec une configuration minimale. Les outils de visualisation en temps réel aident à surveiller les interactions des agents et les métriques de performance. L'architecture modulaire garantit une intégration facile de nouveaux algorithmes et modules personnalisés. Elle inclut également un système de configuration flexible pour l'ajustement des hyperparamètres, des utilitaires de journalisation pour le suivi des expériences, et la compatibilité avec les environnements OpenAI Gym pour une portabilité transparente. Les utilisateurs peuvent collaborer sur des environnements partagés et rejouer des sessions enregistrées pour analyse.

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.

AgentSimulation est une bibliothèque Python open-source construite sur Pygame pour simuler plusieurs agents autonomes dans un environnement 2D. Elle permet aux utilisateurs de configurer les propriétés des agents, les comportements de pilotage (chercher, fuir, errer), la détection de collision, la recherche de chemins et les règles interactives. Avec un rendu en temps réel et une conception modulaire, elle supporte la création rapide de prototypes, les simulations éducatives et la recherche à petite échelle en intelligence collective ou interactions multi-agents.

Conduit est une solution complète qui aide les agences à automatiser l'analyse des données avec l'IA, économisant du temps, augmentant la précision et optimisant l'allocation du budget. En centralisant plusieurs comptes et sous-comptes, elle fournit un tableau de bord unifié pour la visualisation des données en temps réel. La plateforme nettoie et met également à jour automatiquement les données et propose des analyses sur mesure pour une prise de décision efficace.

L'IntelligentMASPlatform est conçue pour accélérer le développement et le déploiement de systèmes multi-agents en proposant une architecture modulaire avec des couches séparées pour les agents, l'environnement et les services. Les agents communiquent en utilisant la messagerie ACL conforme à FIPA, permettant une négociation et une coordination dynamiques. La plateforme inclut un simulateur d'environnement polyvalent qui permet aux développeurs de modéliser des scénarios complexes, de planifier des tâches d'agents et de visualiser les interactions en temps réel via un tableau de bord intégré. Pour des comportements avancés, elle intègre des modules d'apprentissage par renforcement et supporte des plugins de comportements personnalisés. Les outils de déploiement permettent d'emballer les agents en applications autonomes ou en réseaux distribués. De plus, l'API de la plateforme facilite l'intégration avec des bases de données, des appareils IoT ou des services IA tiers, la rendant adaptée à la recherche, à l'automatisation industrielle et aux cas d'utilisation en villes intelligentes.

iVisual est une plateforme de pointe conçue pour transformer la façon dont vous visualisez et analysez vos projets d'IA. Avec ses capacités de visualisation en temps réel et une multitude d'outils d'analyse, elle permet aux utilisateurs d'obtenir des insights plus profonds et de prendre des décisions basées sur les données. La plateforme est idéale pour les professionnels qui cherchent à améliorer la présentation et la compréhension de leurs projets d'IA, apportant un nouveau niveau de clarté et d'efficacité à leur flux de travail. Que vous soyez chercheur en IA, data scientist ou développeur, iVisual offre les outils nécessaires pour élever vos projets.

Le projet mario-ai propose une pipeline complète pour développer des agents IA afin de maîtriser Super Mario Bros. en utilisant la neuroévolution. En intégrant une implémentation NEAT basée sur Python avec l’environnement OpenAI Gym SuperMario, il permet aux utilisateurs de définir des critères de fitness, des taux de mutation, et des topologies de réseaux personnalisés. Pendant l’entraînement, le framework évalue des générations de réseaux neuronaux, sélectionne les génomes performants, et fournit une visualisation en temps réel du jeu et de l’évolution du réseau. De plus, il supporte la sauvegarde et le chargement de modèles entraînés, l’exportation des meilleurs génomes, et la génération de rapports détaillés de performance. Chercheurs, éducateurs et amateurs peuvent étendre le code à d’autres environnements de jeux, expérimenter avec des stratégies évolutionnaires, et benchmarker le progrès de l’apprentissage IA à travers différents niveaux.

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.

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.

L'environnement multi-agent pour drones est un package Python proposant une simulation multi-agent configurable pour les nuées de UAV, basé sur OpenAI Gym et PyBullet. Les utilisateurs définissent plusieurs agents drones avec des modèles cinématiques et dynamiques pour explorer des tâches coopératives telles que le vol en formation, le suivi de cibles et l’évitement d’obstacles. L’environnement supporte la configuration modulaire des tâches, une détection de collision réaliste et l’émulation des capteurs, tout en permettant des fonctions de récompense personnalisées et des politiques décentralisées. Les développeurs peuvent intégrer leurs propres algorithmes d'apprentissage par renforcement, évaluer les performances sous divers scénarios et visualiser en temps réel les trajectoires et métriques des agents. Son design open-source encourage la contribution communautaire, le rendant idéal pour la recherche, l'enseignement et le prototypage de solutions avancées de contrôle multi-agent.

MultiAgentPuzzleSolver fournit un environnement modulaire où des agents d’IA indépendants travaillent ensemble pour résoudre des énigmes telles que les puzzles à glissières, la Cube de Rubik, et les grilles logiques. Les agents partagent des informations d’état, négocient des affectations de sous-tâches, et appliquent diverses heuristiques pour explorer l’espace de solutions plus efficacement que les approches à un seul agent. Les développeurs peuvent ajouter de nouveaux comportements d’agents, personnaliser les protocoles de communication, et introduire de nouvelles définitions d’énigmes. Le cadre inclut des outils pour la visualisation en temps réel, la collecte de métriques de performance, et la scripting d’expériences. Il supporte Python 3.8+, les bibliothèques standard, et des outils ML populaires pour une intégration transparente dans les projets de recherche.