MultiAgentPacman은 사용자들이 팩맨 도메인에서 여러 AI 에이전트를 구현, 시각화, 벤치마크할 수 있는 Python 기반의 게임 환경을 제공합니다. minimax, expectimax, alpha-beta 가지치기와 같은 적대적 탐색 알고리즘 및 맞춤형 강화 학습 또는 휴리스틱 기반 에이전트도 지원합니다. 이 프레임워크는 간단한 GUI, 명령줄 제어, 게임 통계 기록 및 경쟁 또는 협력 시나리오에서 에이전트 성능 비교 유틸리티를 포함합니다.

BomberManAI는 고전 Bomberman 게임을 자율적으로 플레이하도록 설계된 AI 에이전트입니다. Python으로 개발되었으며, 실시간으로 맵 상태, 가능한 이동, 적 위치를 인지하는 환경과 인터페이스합니다. 핵심 알고리즘은 A* 경로 탐색, 도달 가능성 분석을 위한 너비 우선 탐색, 최적 폭탄 배치 및 회피 전략 결정을 위한 휴리스틱 평가 함수를 결합합니다. 이 에이전트는 역동적 장애물, 파워업, 다수의 적을 다양한 맵 레이아웃에서 처리하며, 사용자 정의 휴리스틱, 강화학습 모듈 또는 대체 결정 전략을 실험할 수 있는 모듈식 구조를 갖추고 있습니다. 게임 AI 연구자, 학생, 경쟁용 봇 개발자에게 적합하며, BomberManAI는 자율적인 게임 에이전트를 테스트하고 향상시키기 위한 유연한 프레임워크를 제공합니다.

ePH-MAPF는 격자 기반 맵에서 수십에서 수백 개의 에이전트에 대해 충돌 없는 경로 계산을 위한 효율적인 파이프라인을 제공합니다. 우선순위 휴리스틱, 증분 검색 기법 및 사용자 정의 비용 지표(맨하탄, 유클리드)를 사용하여 속도와 해결책 품질을 균형 있게 조절합니다. 사용자들은 다양한 휴리스틱 기능을 선택하고, 라이브러리를 Python 기반 로보틱스 시스템에 통합하며, 표준 MAPF 시나리오에서 성능을 벤치마킹할 수 있습니다. 모듈식이고 잘 문서화된 코드베이스로, 연구자와 개발자가 동적 장애물 또는 특수 환경에 맞게 확장할 수 있습니다.

Pentago Swap AI 에이전트는 몬테카를로 트리 탐색(MCTS) 알고리즘을 활용하여 다양한 게임 상태를 탐색·평가하여 인텔리전트한 상대를 구현합니다. 각 턴마다 수많은 플레이아웃을 시뮬레이션하여, 결과로 나온 보드 위치를 점수화하고 승리 확률을 높이는 수를 찾습니다. 사용자 맞춤형 검색 매개변수(시뮬레이션 수, 탐색 상수, 플레이아웃 정책)를 지원하여 성능 조정이 가능합니다. 명령줄 인터페이스, 자가 플레이 데이터 생성, 파이썬 API를 통해 큰 게임 환경이나 토너먼트에 쉽게 통합할 수 있습니다. 모듈형 구조로 설계되어, 다른 휴리스틱이나 신경망 평가기로 확장도 용이합니다.