MAPF_G2RL est un cadre de recherche open-source qui relie la théorie des graphes et l'apprentissage par renforcement profond pour résoudre le problème de recherche de chemin multi-agents (MAPF). Il encode les nœuds et les arêtes en représentations vectorielles, définit des fonctions de récompense spatiales et sensibles aux collisions, et supporte divers algorithmes RL tels que DQN, PPO et A2C. Le cadre automatise la création de scénarios en générant des graphes aléatoires ou en important des cartes du monde réel, et orchestre des boucles d'entraînement qui optimisent simultanément les politiques pour plusieurs agents. Après apprentissage, les agents sont évalués dans des environnements simulés pour mesurer l'optimalité des chemins, le temps de sortie et les taux de réussite. Sa conception modulaire permet aux chercheurs d'étendre ses composants, d'intégrer de nouvelles techniques MARL et de benchmarker contre des solveurs classiques.

MARO (Multi-Agent Resource Optimization) est un cadre basé sur Python conçu pour soutenir le développement et l'évaluation d'agents d'apprentissage par renforcement multi-agent dans des scénarios de chaîne d'approvisionnement, de logistique et de gestion des ressources. Il inclut des modèles pour la gestion des inventaires, la planification des camions, le cross-docking, la location de conteneurs, et plus encore. MARO offre une API d'agent unifiée, des trackers intégrés pour la journalisation des expériences, des capacités de simulation parallèle pour des entraînements à grande échelle et des outils de visualisation pour l'analyse de la performance. La plateforme est modulaire, extensible et s'intègre aux bibliothèques RL populaires, permettant une recherche reproductible et une prototypage rapide de solutions d'optimisation pilotées par l'IA.

Truescope offre une surveillance et une analyse des médias améliorées par l'IA, facilitant le suivi et l'analyse de la couverture médiatique en temps réel. Avec des fonctionnalités avancées telles que le traitement du langage naturel, l'analyse des sentiments et des outils de reporting complets, Truescope permet aux utilisateurs de visualiser leur performance et leur réputation sur les médias traditionnels et sociaux, aidant ainsi les parties prenantes à rester informées et proactives.

Colosseum Agent Battles fournit un SDK Python modulaire pour construire des compétitions d'agents IA dans des arènes personnalisables. Les utilisateurs peuvent définir des environnements avec des terrains, ressources et règles spécifiques, puis implémenter des stratégies d'agents via une interface standardisée. Le framework gère la planification des batailles, la logique d'arbitrage et la journalisation en temps réel des actions et résultats des agents. Il comprend des outils pour organiser des tournois, suivre les statistiques de victoire/défaite et visualiser la performance des agents via des graphiques. Les développeurs peuvent intégrer des bibliothèques de ML populaires pour entraîner des agents, exporter les données de bataille pour analyse, et étendre les modules d'arbitrage pour appliquer des règles personnalisées. Enfin, il facilite le benchmarking des stratégies IA en compétition directe. La journalisation en formats JSON et CSV est également supportée pour les analyses ultérieures.

Les agents IA pour Pierre-Papier-Ciseaux sont un projet Python open-source démontrant comment construire, entraîner et évaluer différentes stratégies d'IA—jeu aléatoire, reconnaissance de motifs basée sur des règles, et apprentissage par renforcement (Q-learning)—dans le jeu classique Pierre-Papier-Ciseaux. Il fournit des classes d'agents modulaires, un moteur de jeu configurable, une journalisation des performances, et des utilitaires de visualisation. Les utilisateurs peuvent échanger facilement des agents, ajuster les paramètres d'apprentissage, et explorer le comportement de l'IA dans des scénarios compétitifs.

CrewAI-Learning est une bibliothèque open-source conçue pour simplifier les projets d'apprentissage par renforcement multi-agent. Elle offre des structures d'environnements, des définitions modulaires d'agents, des fonctions de récompense personnalisables, et une suite d'algorithmes intégrés comme DQN, PPO, et A3C adaptés aux tâches collaboratives. Les utilisateurs peuvent définir des scénarios, gérer les boucles de formation, enregistrer les métriques et visualiser les résultats. Le framework supporte la configuration dynamique des équipes d'agents et les stratégies de partage de récompense, rendant facile le prototypage, l'évaluation et l'optimisation de solutions IA coopératives dans divers domaines.