Flocking Multi-Agent offre une bibliothèque modulaire pour simuler des agents autonomes exhibant une intelligence de troupe. Elle encode les comportements de pilotage principaux — cohésion, séparation et alignement — ainsi que l’évitement d’obstacles et la poursuite de cibles dynamiques. En utilisant Python et Pygame pour la visualisation, le cadre permet d’ajuster les paramètres tels que le rayon des voisins, la vitesse maximale et la force de tournage. Il supporte l’extensibilité via des fonctions comportementales personnalisées et des hook d’intégration pour la robotique ou les moteurs de jeu. Idéal pour l’expérimentation en IA, robotique, développement de jeux et recherche académique, il démontre comment des règles locales simples conduisent à des formations globales complexes.

JasonEnvironments fournit une collection de modules environnementaux conçus spécifiquement pour le système multi-agent Jason. Chaque module expose une interface standardisée permettant aux agents de percevoir, agir et interagir dans divers scénarios tels que poursuite-fuite, recherche de ressources et tâches coopératives. La bibliothèque est facile à intégrer dans des projets Jason existants : il suffit d'inclure le JAR, de configurer l'environnement souhaité dans le fichier d'architecture de l'agent et de lancer la simulation. Les développeurs peuvent également étendre ou personnaliser les paramètres et règles pour adapter l'environnement à leurs besoins de recherche ou éducatifs.

Les agents d'apprentissage par renforcement pour les jeux PettingZoo sont une bibliothèque en Python qui propose des algorithmes prêts à l'emploi DQN, PPO et A2C pour l'apprentissage par renforcement multi-agent dans les environnements PettingZoo. Elle comprend des scripts standardisés pour l'entraînement et l'évaluation, des hyperparamètres configurables, une journalisation intégrée dans TensorBoard et prend en charge à la fois les jeux compétitifs et coopératifs. Les chercheurs et développeurs peuvent cloner le dépôt, ajuster les paramètres de l'environnement et de l'algorithme, exécuter des sessions d'entraînement et visualiser les métriques pour accélérer leur développement et comparer leurs expériences en RL multi-agent.