GA 기반 NQueen 해결사는 각 에이전트가 N-Queen 후보 구성을 인코딩하는 모듈식 2APL 다중 에이전트 아키텍처를 사용합니다. 에이전트는 비공격 퀸 쌍 수를 계산하여 적합도를 평가하고, 높은 적합도 구성을 다른 에이전트와 공유합니다. 선택, 교차, 돌연변이와 같은 유전 연산자는 새로운 후보 체스판 생성에 사용되며, 연속적인 반복을 통해 에이전트들은 유효한 N-Queen 해에 수렴합니다. 이 프레임워크는 자바로 구현되었으며, 인구 크기, 교차율, 돌연변이 확률, 에이전트 통신 프로토콜 등에 대한 매개변수 튜닝을 지원하며, 상세 로그와 진화 과정 시각화를 출력합니다.

mario-ai 프로젝트는 신경진화를 이용하여 Super Mario Bros.를 마스터할 AI 에이전트를 개발하기 위한 포괄적인 파이프라인을 제공합니다. Python 기반 NEAT 구현과 OpenAI Gym의 SuperMario 환경을 통합하여, 사용자들이 맞춤형 적합도 기준, 돌연변이율, 네트워크 토폴로지를 정의할 수 있도록 지원합니다. 훈련 동안, 이 프레임워크는 신경망의 세대를 평가하고, 우수한 유전체를 선택하며, 게임 플레이와 네트워크 진화의 실시간 시각화를 제공합니다. 또한, 훈련된 모델의 저장 및 로드, 챔피언 유전체의 내보내기, 상세 퍼포먼스 로그 생성도 가능합니다. 연구자, 교육자, 취미 연구자들은 코드를 다른 게임 환경으로 확장하고, 진화 전략 실험과 다양한 레벨별 AI 학습 진행상태 벤치마킹이 가능합니다.