Java Action Generic est une bibliothèque légère et modulaire qui permet aux développeurs d'implémenter des comportements d'agents autonomes en Java en définissant des actions génériques. Les actions sont des unités de travail paramétrables que les agents peuvent exécuter, planifier et assembler à l'exécution. Le framework offre une interface cohérente pour les actions, permettant aux développeurs de créer des actions personnalisées, gérer les paramètres des actions et s'intégrer à la gestion du cycle de vie des agents LightJason. Avec le support pour l'exécution basée sur les événements et la concurrence, les agents peuvent réaliser des tâches telles que la prise de décision dynamique, l'interaction avec des services externes et l'orchestration de comportements complexes. La bibliothèque favorise la réutilisabilité et une conception modulaire, adaptée à la recherche, aux simulations, à l'IoT et aux applications d'IA de jeux sur toutes plateformes supportant la JVM.

DQN-Deep-Q-Network-Atari-Breakout-TensorFlow fournit une implémentation complète de l'algorithme DQN adaptée à l'environnement Atari Breakout. Il utilise un réseau neuronal convolutionnel pour approximer les valeurs Q, applique la répétition d'expériences pour briser les corrélations entre observations séquentielles et emploie un réseau cible mis à jour périodiquement pour stabiliser l'entraînement. L'agent suit une politique epsilon-greedy pour l'exploration et peut être entraîné à partir de zéro avec des entrées de pixels bruts. Le dépôt comprend des fichiers de configuration, des scripts d'entraînement pour surveiller la croissance des récompenses, des scripts d'évaluation pour tester les modèles entraînés, et des utilitaires TensorBoard pour visualiser les métriques d'entraînement. Les utilisateurs peuvent ajuster des hyperparamètres tels que le taux d'apprentissage, la taille du buffer de replay et la taille de lot pour expérimenter différentes configurations.

MARTI (Multi-Agent Reinforcement Learning Toolkit and Interface) est un cadre orienté recherche qui facilite le développement, l'évaluation et le benchmarking des algorithmes RL multi-agent. Il offre une architecture plug-and-play où les utilisateurs peuvent configurer des environnements personnalisés, des politiques d'agents, des structures de récompense et des protocoles de communication. MARTI s'intègre aux bibliothèques de deep learning populaires, supporte l'accélération GPU et l'entraînement distribué, et génère des journaux détaillés ainsi que des visualisations pour l'analyse des performances. La conception modulaire du toolkit permet une prototypage rapide des approches novatrices et une comparaison systématique avec des baselines standard, ce qui le rend idéal pour la recherche académique et les projets pilotes dans les systèmes autonomes, la robotique, l'IA de jeu et les scénarios multi-agents coopératifs.