jason-RL은 Jason 멀티 에이전트 프레임워크에 강화학습 계층을 추가하여, AgentSpeak BDI 에이전트가 보상 피드백을 통해 행동 선택 정책을 학습할 수 있게 합니다. Q-학습과 SARSA 알고리즘을 구현하며, 학습 매개변수(학습률, 할인 인자, 탐색 전략) 설정 지원과 학습 지표 로그 기록이 가능합니다. 에이전트 계획 내에 보상 함수를 정의하고 시뮬레이션을 수행함으로써, 개발자는 시간이 지남에 따라 에이전트의 의사결정이 향상되고 환경 변화에 적응하는 모습을 관찰할 수 있습니다.

MAPF_G2RL은 그래프 이론과 딥 강화 학습을 연결하여 다중 에이전트 경로 탐색(MAPF) 문제를 해결하는 오픈소스 연구 프레임워크입니다. 노드와 엣지를 벡터 표현으로 인코딩하고, 공간적 및 충돌 인지 보상 함수를 정의하며, DQN, PPO, A2C와 같은 다양한 RL 알고리즘을 지원합니다. 이 프레임워크는 랜덤 그래프 생성 또는 실제 지도 임포트로 시나리오 생성을 자동화하고, 동시에 여러 에이전트의 정책을 최적화하는 훈련 루프를 조율합니다. 학습 후, 에이전트는 시뮬레이션 환경에서 경로 최적성, 소요 시간, 성공률을 평가합니다. 모듈형 설계로 연구자는 핵심 컴포넌트를 확장하고, 새로운 MARL 기법을 통합하며, 기존 솔버와 비교 벤치마킹할 수 있습니다.