O solucionador NQueen baseado em GA usa uma arquitetura modular de multiagentes 2APL na qual cada agente codifica uma configuração candidata de N-Rainhas. Os agentes avaliam sua aptidão contando pares de rainhas não atacantes, e compartilham configurações de alta aptidão com outros. Operadores genéticos — seleção, crossover e mutação — são aplicados na população de agentes para gerar novos tabuleiros candidatos. Em iterações sucessivas, os agentes convergem coletivamente para soluções válidas de N-Rainhas. O framework é implementado em Java, suporta parametrização de tamanho de população, taxa de crossover, probabilidade de mutação e protocolos de comunicação de agentes, além de gerar logs detalhados e visualizações do processo evolutivo.

O projeto mario-ai oferece um pipeline abrangente para desenvolver agentes de IA que dominam o Super Mario Bros. usando neuroevolução. Ao integrar uma implementação de NEAT baseada em Python com o ambiente SuperMario do OpenAI Gym, permite que os usuários definam critérios de fitness personalizados, taxas de mutação e topologias de rede. Durante o treinamento, a estrutura avalia gerações de redes neurais, seleciona genomas de alto desempenho e fornece visualizações em tempo real do jogo e da evolução da rede. Além disso, suporta salvar e carregar modelos treinados, exportar os melhores genomas e gerar logs detalhados de desempenho. Pesquisadores, educadores e entusiastas podem estender o código para outros ambientes de jogo, experimentar estratégias evolutivas e criar benchmarks do progresso de aprendizagem de IA em diferentes níveis.