JADE-DR-VPP est un cadre Java open-source qui implémente un système multi-agents pour la réponse à la demande (DR) dans les centrales électriques virtuelles (VPP). Chaque agent représente une charge ou une unité de génération flexible, communiquant via la messagerie JADE. Le système orchestre les événements DR, planifie les ajustements de charge et agrège les ressources pour répondre aux signaux du réseau. Les utilisateurs peuvent configurer le comportement des agents, exécuter des simulations à grande échelle et analyser les métriques de performance pour les stratégies de gestion de l'énergie.
Fonctionnalités principales de JADE-DR-VPP
Orchestration de la réponse à la demande multi-agent
Communication en temps réel via JADE entre agents
Modèles d'agents de charge et de génération configurables
Une environnement RL simulant plusieurs agents mineurs coopératifs et compétitifs collectant des ressources dans un monde basé sur une grille pour l'apprentissage multi-agent.
Multi-Agent Miners offre un environnement de monde en grille où plusieurs agents mineurs autonomes naviguent, creusent et collectent des ressources tout en interagissant. Il supporte des tailles de carte configurables, le nombre d'agents et des structures de récompenses, permettant aux utilisateurs de créer des scénarios compétitifs ou coopératifs. Le framework s'intègre aux bibliothèques RL populaires via PettingZoo, fournissant des API standardisées pour les fonctions reset, step et render. Les modes de visualisation et le support de journalisation aident à analyser comportements et résultats, idéal pour la recherche, l'éducation et le benchmarking d'algorithmes en apprentissage par renforcement multi-agent.
Framework open-source basé sur PyTorch implémentant l'architecture CommNet pour l'apprentissage par renforcement multi-agent avec communication inter-agent permettant une prise de décision collaborative.
CommNet est une bibliothèque orientée recherche qui implémente l'architecture CommNet, permettant à plusieurs agents de partager des états cachés à chaque étape et d'apprendre à coordonner leurs actions dans des environnements coopératifs. Elle inclut des définitions de modèles PyTorch, des scripts d'entraînement et d'évaluation, des wrappers d'environnement pour OpenAI Gym et des utilitaires pour personnaliser les canaux de communication, le nombre d'agents et la profondeur du réseau. Chercheurs et développeurs peuvent utiliser CommNet pour prototyper et benchmarker des stratégies de communication inter-agent sur des tâches de navigation, de poursuite–évasion et de collecte de ressources.