MARO(다중 에이전트 자원 최적화)는 공급망, 물류, 자원 관리를 위한 다중 에이전트 강화 학습 에이전트의 개발과 평가를 지원하는 파이썬 기반 프레임워크입니다. 재고 관리, 트럭 예약, 크로스 도킹, 컨테이너 임대 등 환경 템플릿을 포함하고 있습니다. 통합된 에이전트 API, 내장된 실험 추적기, 대규모 훈련을 위한 병렬 시뮬레이션 기능, 성능 분석을 위한 시각화 도구를 제공합니다. 모듈식으로 설계되어 확장 가능하며, 인기 있는 RL 라이브러리와 통합되어 재현 가능한 연구와 신속한 AI 최적화 프로토타이핑을 가능하게 합니다.

MGym은 Python에서 다중 에이전트 강화 학습(MARL) 환경을 구축하고 관리하기 위한 전문 프레임워크입니다. 여러 에이전트가 포함된 복잡한 시나리오를 정의할 수 있으며, 각각 커스터마이즈 가능한 관측·행동 공간, 보상 함수, 상호작용 규칙을 가집니다. MGym은 동기 및 비동기 실행 모드를 지원하며, 병행과 회전 기반 에이전트 시뮬레이션을 제공합니다. Gym과 유사한 API로 설계되어 Stable Baselines, RLlib, PyTorch와 원활히 통합됩니다. 환경 벤치마킹, 결과 시각화, 성능 분석을 위한 유틸리티 모듈도 포함되어 있어 MARL 알고리즘의 체계적 평가가 가능합니다. 모듈식 구조로 협력적, 경쟁적 또는 혼합형 에이전트 태스크를 빠르게 프로토타이핑할 수 있어 연구자와 개발자가 MARL 실험과 연구를 가속화할 수 있습니다.

Poke-Env는 포켓몬 쇼다운 배틀용 AI 에이전트의 생성과 평가를 간소화하기 위해 설계된 포괄적인 파이썬 인터페이스를 제공합니다. 서버와의 통신, 게임 상태 데이터 파싱, 이벤트 기반 아키텍처를 통해 턴별 행동 관리를 수행합니다. 사용자는 리인포스먼트 러닝이나 휴리스틱 알고리즘을 이용한 맞춤 전략 구현을 위해 기본 플레이어 클래스를 확장할 수 있습니다. 이 프레임워크는 배틀 시뮬레이션, 병렬 매치업, 행동, 보상, 결과 등에 대한 상세 로그 기록을 지원하며, 낮은 수준의 네트워킹 및 파싱 작업을 추상화하여 AI 연구자와 개발자가 알고리즘 설계, 성능 최적화, 전략 벤치마킹에 집중할 수 있게 합니다.