MARO (Otimização de Recursos Multiagente) é uma estrutura baseada em Python projetada para apoiar o desenvolvimento e avaliação de agentes de aprendizagem por reforço multiagente em cenários de cadeia de suprimentos, logística e gestão de recursos. Inclui modelos de ambientes para gestão de inventário, agendamento de caminhões, cross-docking, aluguel de contêineres e mais. Oferece uma API unificada de agentes, rastreadores integrados para registro de experimentos, capacidades de simulação paralela para treinamento em larga escala e ferramentas de visualização para análise de desempenho. A plataforma é modular, extensível e integra-se com bibliotecas populares de RL, possibilitando pesquisa reprodutível e prototipagem rápida de soluções de otimização baseadas em IA.

MGym é uma estrutura especializada para criar e gerenciar ambientes de aprendizado por reforço multiagente (MARL) em Python. Permite aos usuários definir cenários complexos com múltiplos agentes, cada um com espaços de observação e ação ajustáveis, funções de recompensa e regras de interação. MGym suporta modos de execução síncrona e assíncrona, oferecendo simulação de agentes em paralelo e por turnos. Com uma API similar à do Gym, MGym integra-se facilmente com bibliotecas populares de RL como Stable Baselines, RLlib e PyTorch. Inclui módulos utilitários para benchmarking de ambientes, visualização de resultados e análise de desempenho, facilitando a avaliação sistemática de algoritmos MARL. Sua arquitetura modular permite prototipagem rápida de tarefas cooperativas, competitivas ou de agentes mistos, capacitando pesquisadores e desenvolvedores a acelerarem experimentações e pesquisas em MARL.

Poke-Env foi projetado para simplificar a criação e avaliação de agentes de IA para batalhas no Pokémon Showdown, proporcionando uma interface Python abrangente. Ele gerencia a comunicação com o servidor do Pokémon Showdown, analisa os dados do estado do jogo e gerencia as ações turno a turno através de uma arquitetura baseada em eventos. Os usuários podem estender classes de jogadores base para implementar estratégias personalizadas usando aprendizagem por reforço ou algoritmos heurísticos. A estrutura oferece suporte integrado para simulações de batalha, confrontos paralelizados e registro detalhado de ações, recompensas e resultados para pesquisa reprodutível. Ao abstrair tarefas de rede e parsing de baixo nível, Poke-Env permite que pesquisadores e desenvolvedores de IA foquem no design de algoritmos, ajuste de desempenho e benchmarking comparativo de estratégias de batalha.