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.

ePH-MAPF fournit un pipeline efficace pour calculer des chemins sans collision pour des dizaines à des centaines d'agents sur des cartes basées sur une grille. Il utilise des heuristiques prioritaires, des techniques de recherche incrémentielle et des métriques de coût personnalisables (Manhattan, Euclidéenne) pour équilibrer rapidité et qualité de la solution. Les utilisateurs peuvent choisir parmi différentes fonctions heuristiques, intégrer la bibliothèque dans des systèmes robotiques Python, et benchmarker la performance sur des scénarios MAPF standards. Le code est modulaire et bien documenté, permettant aux chercheurs et développeurs de l’étendre pour des obstacles dynamiques ou des environnements spécialisés.

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.