O Modelo Predador-Presa do Mesa é uma implementação de código aberto, baseada em Python, do clássico sistema predador-presa de Lotka-Volterra, construída sobre a framework de modelagem de agentes do Mesa. Ele simula agentes individuais de predadores e presas que se movimentam e interagem em uma grade onde as presas se reproduzem e os predadores caçam por comida para sobreviver. Os usuários podem configurar populações iniciais, probabilidades de reprodução, consumo de energia e outros parâmetros ambientais através de uma interface web. A simulação oferece visualizações em tempo real, incluindo mapas de calor e curvas de populações, além de registrar dados para análise posterior. Pesquisadores, educadores e estudantes podem estender o modelo, personalizando comportamentos de agentes, adicionando novas espécies ou integrando regras ecológicas complexas. O projeto foi projetado para facilidade de uso, prototipagem rápida e demonstrações educacionais de dinâmicas ecológicas emergentes.

Multi-Agent Systems fornece um kit de ferramentas completo para criar, controlar e observar interações entre agentes autônomos. Os desenvolvedores podem definir classes de agentes com lógica de decisão personalizada, configurar ambientes complexos com recursos e regras configuráveis, e implementar canais de comunicação para troca de informações. A estrutura suporta agendamento síncrono e assíncrono, comportamentos orientados a eventos, e integra registro para métricas de desempenho. Os usuários podem estender módulos principais ou integrar modelos externos de IA para aprimorar a inteligência dos agentes. Ferramentas de visualização exibem simulações em tempo real ou pós-processadas, ajudando a analisar comportamentos emergentes e otimizar parâmetros do sistema. Desde pesquisa acadêmica até prototipagem de aplicações distribuídas, o Multi-Agent Systems simplifica simulações completas de múltiplos agentes.

O Swarm Simulator oferece um ambiente personalizável para experimentos de múltiplos agentes em tempo real. Os usuários podem ajustar parâmetros principais de comportamento — alinhamento, coesão, separação — e observar dinâmicas emergentes em um canvas visual. Ele suporta sliders interativos de UI, ajuste dinâmico do número de agentes e exportação de dados para análise. Ideal para demonstrações educacionais, prototipagem de pesquisa ou exploração amadora dos princípios da inteligência de enxame.

Flocking Multi-Agent fornece uma biblioteca modular para simular agentes autônomos que exibem inteligência de enxame. Codifica comportamentos centrais de direção: coesão, separação e alinhamento, além de evasão de obstáculos e perseguição a objetivos dinâmicos. Usando Python e Pygame para visualização, a estrutura permite ajustar parâmetros como o raio dos vizinhos, velocidade máxima e força de giro. Suporta extensibilidade através de funções personalizadas de comportamento e ganchos de integração para plataformas robóticas ou motores de jogo. Ideal para experimentos em IA, robótica, desenvolvimento de jogos e pesquisa acadêmica, demonstrando como regras locais simples levam a formações globais complexas.