Le Framework de Simulation d'Agents LLM permet la conception, l'exécution et l'analyse d'environnements simulés où des agents autonomes interagissent via de grands modèles de langage. Les utilisateurs peuvent enregistrer plusieurs instances d'agents, assigner des invites et rôles personnalisables, et spécifier des canaux de communication tels que la transmission de messages ou un état partagé. Le framework orchestre les cycles de simulation, collecte des journaux et calcule des métriques comme la fréquence de passage de tour, la latence de réponse et les taux de succès. Il supporte une intégration transparente avec OpenAI, Hugging Face et des LLM locaux. Les chercheurs peuvent créer des scénarios complexes — négociation, allocation de ressources ou résolution collaborative de problèmes — pour observer des comportements émergents. Une architecture de plugins extensible permet d’ajouter de nouveaux comportements d'agents, contraintes environnementales ou modules de visualisation, favorisant des expériences reproductibles.

CybMASDE permet aux chercheurs et développeurs de construire, configurer et exécuter des simulations multi-agent avec apprentissage par renforcement profond. Les utilisateurs peuvent élaborer des scénarios personnalisés, définir des rôles d'agents et des fonctions de récompense, et brancher des algorithmes RL standard ou personnalisés. Le cadre comprend des serveurs d'environnement, des interfaces d'agents en réseau, des collecteurs de données et des utilitaires de rendu. Il supporte l'entraînement parallèle, la surveillance en temps réel et la sauvegarde de modèles. L'architecture modulaire de CybMASDE permet une intégration transparente de nouveaux agents, espaces d'observation et stratégies d'entraînement, accélérant l'expérimentation dans la commande coopérative, le comportement en essaim, l'allocation des ressources et autres cas d'usage multi-agent.

La simulation d'inspection multi-agent offre un cadre complet pour simuler et entraîner plusieurs agents autonomes à effectuer des tâches d'inspection en coopération dans des environnements Unity 3D. Elle s'intègre avec la boîte à outils Unity ML-Agents et propose des scènes configurables avec des cibles d'inspection, des fonctions de récompense ajustables et des paramètres de comportement des agents. Les chercheurs peuvent script des environnements personnalisés, définir le nombre d'agents et établir des curricula de formation via des APIs Python. Le paquet supporte les sessions d'entraînement parallèles, le journal TensorBoard et des observations personnalisables incluant des raycasts, des flux de caméras et des données de position. En ajustant les hyperparamètres et la complexité de l’environnement, les utilisateurs peuvent benchmarker des algorithmes d'apprentissage par renforcement sur des métriques de couverture, d'efficacité et de coordination. Le code open-source encourage l'extension pour la prototypie robotique, la recherche en IA coopérative et les démonstrations éducatives dans les systèmes multi-agents.

Multi Agent Simulation offre une API flexible pour définir des classes d'agents avec des capteurs, actionneurs et logiques de décision personnalisés. Les utilisateurs configurent des environnements avec des obstacles, des ressources et des protocoles de communication, puis exécutent des boucles de simulation en étapes ou en temps réel. La journalisation intégrée, la planification d'événements et l'intégration avec Matplotlib aident à suivre les états des agents et à visualiser les résultats. La conception modulaire permet une extension facile avec de nouveaux comportements, environnements et optimisations de performance, ce qui en fait une solution idéale pour la recherche académique, l'éducation et le prototypage de scénarios multi-agents.

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.

NavGround Learning fournit une boîte à outils complète pour le développement et la benchmarking d'agents d'apprentissage par renforcement dans les tâches de navigation. Elle supporte la simulation multi-agent, la modélisation des collisions ainsi que des capteurs et actionneurs personnalisables. Les utilisateurs peuvent choisir parmi des modèles de politiques prédéfinis ou implémenter leurs propres architectures, s'entraîner avec des algorithmes RL de pointe et visualiser les métriques de performance. Son intégration avec OpenAI Gym et Stable Baselines3 facilite la gestion des expériences, tandis que ses outils de journalisation et de visualisation intégrés permettent une analyse approfondie du comportement des agents et de la dynamique d'apprentissage.

Pits and Orbs est un environnement open-source pour l’apprentissage par renforcement, implémenté en Python, offrant un monde de grille multi-agents au tour par tour où les agents poursuivent des objectifs et font face à des dangers environnementaux. Chaque agent doit naviguer sur une grille configurable, éviter des pièges placés aléatoirement qui pénalisent ou terminent les épisodes, et collecter des sphères pour des récompenses positives. L’environnement prend en charge des modes compétitifs et coopératifs, permettant aux chercheurs d’explorer divers scénarios d’apprentissage. Son API simple s’intègre parfaitement avec des bibliothèques RL populaires comme Stable Baselines ou RLlib. Les principales caractéristiques incluent des dimensions de grille ajustables, des distributions dynamiques de pièges et de sphères, des structures de récompense configurables, et un journalisation optionnelle pour l’analyse de l’entraînement.

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.