FMAS (Flexible Multi-Agent System)는 오픈소스 Python 라이브러리로, 다중 에이전트 시뮬레이션의 구축, 실행 및 시각화를 제공합니다. 사용자 정의 의사 결정 논리를 갖는 에이전트를 정의하고, 환경 모델을 구성하며, 통신 채널을 설정하고, 확장 가능한 시뮬레이션을 실행할 수 있습니다. FMAS는 에이전트 상태 모니터링, 상호 작용 디버깅 및 결과 내보내기를 위한 후크를 제공하며, 모듈화된 아키텍처는 시각화, 메트릭 수집 및 외부 데이터 소스와의 통합을 위한 플러그인을 지원하여 연구, 교육 및 실제 프로토타입에 적합합니다.

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.

MultiAgentModel은 멀티에이전트 시나리오를 위한 맞춤형 환경 및 에이전트 클래스를 정의하는 통합 API를 제공합니다. 개발자는 관측 및 행동 공간, 보상 구조, 통신 채널을 지정할 수 있습니다. PPO, DQN, A2C와 같은 인기 RL 알고리즘을 기본 지원하여 최소한의 구성으로 훈련할 수 있습니다. 실시간 시각화 도구를 통해 에이전트 상호작용과 성능 지표를 모니터링합니다. 모듈식 아키텍처는 새로운 알고리즘과 맞춤형 모듈의 손쉬운 통합을 가능하게 하며, 하이퍼파라미터 튜닝을 위한 유연한 구성 시스템, 실험 추적을 위한 로깅 유틸리티, 원활한 포터블성을 위한 OpenAI Gym 환경과의 호환성을 포함합니다. 사용자들은 공유 환경에서 협력하거나, 기록된 세션을 재생하여 분석할 수 있습니다.