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.

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.