O MultiAgentPacman oferece um ambiente de jogo em Python onde os usuários podem implementar, visualizar e comparar múltiplos agentes de IA no domínio Pacman. Suporta algoritmos de busca adversarial como minimax, expectimax, poda alfa-beta, bem como agentes personalizados baseados em reforço ou heurísticas. A estrutura inclui uma interface gráfica simples, controles de linha de comando e utilitários para registrar estatísticas do jogo e comparar o desempenho dos agentes em cenários cooperativos ou competitivos.

BomberManAI é um agente de IA projetado para jogar o clássico jogo Bomberman de forma autônoma. Desenvolvido em Python, ele se comunica com um ambiente de jogo para perceber o estado do mapa, movimentos disponíveis e posições de oponentes em tempo real. O algoritmo central combina busca de caminho A*, análise de acessibilidade com busca em largura e uma função heurística para determinar a melhor colocação de bombas e estratégias de evasão. O agente lida com obstáculos dinâmicos, power-ups e múltiplos oponentes em vários layouts de mapas. Sua arquitetura modular permite que desenvolvedores experimentem com heurísticas personalizadas, módulos de aprendizado por reforço ou estratégias de decisão alternativas. Ideal para pesquisadores de IA em jogos, estudantes e desenvolvedores de bots competitivos, o BomberManAI fornece uma estrutura flexível para testar e melhorar agentes de jogo autônomos.

ePH-MAPF fornece um pipeline eficiente para calcular rotas sem colisão para dezenas a centenas de agentes em mapas baseados em grade. Utiliza heurísticas priorizadas, técnicas de busca incremental e métricas de custo personalizáveis (Manhattan, Euclidiana) para equilibrar velocidade e qualidade da solução. Usuários podem escolher entre diferentes funções heurísticas, integrar a biblioteca a sistemas de robótica baseados em Python e testar o desempenho em cenários padrão de MAPF. A base de código é modular e bem documentada, permitindo que pesquisadores e desenvolvedores a extendam para obstáculos dinâmicos ou ambientes especializados.

O agente de IA Pentago Swap implementa um adversário inteligente para o jogo Pentago Swap, aproveitando um algoritmo de Busca em Árvore de Monte Carlo (MCTS) para explorar e avaliar estados potenciais do jogo. Em cada rodada, o agente simula várias partidas, pontuando as posições do tabuleiro resultantes para identificar jogadas que maximizam a probabilidade de vitória. Ele suporta a personalização de parâmetros de busca como contagem de simulações, constante de exploração e política de partidas, permitindo que os usuários ajustem o desempenho. O agente inclui uma interface de linha de comando para partidas diretas, autojogos para gerar dados de treino e uma API Python para integração em ambientes de jogo ou torneios maiores. Com código modular, facilita a extensão com heurísticas alternativas ou avaliadores de redes neurais para pesquisa avançada e desenvolvimento.