MGym — это специальная среда для создания и управления мультиагентными средами обучения с подкреплением (MARL) на Python. Она позволяет пользователям определять сложные сценарии с несколькими агентами, каждый из которых имеет настраиваемые наблюдения, действия, функции вознаграждения и правила взаимодействия. MGym поддерживает синхронный и асинхронный режимы выполнения, предоставляя моделирование агентов как в параллельном, так и в пошаговом режимах. Благодаря API, аналогичному Gym, MGym легко интегрируется с популярными библиотеками RL, такими как Stable Baselines, RLlib и PyTorch. Включает модули для оценки окружающей среды, визуализации результатов и анализа производительности, что способствует системной оценке алгоритмов MARL. Его модульная архитектура позволяет быстро прототипировать совместные, конкурирующие или смешанные задания, что помогает исследователям и разработчикам ускорить эксперименты и исследования в области MARL.

Multi-Agent-AI-Models-and-Path-Planning предоставляет полный набор инструментов для разработки и тестирования систем с несколькими агентами в сочетании с классическими и современными методами планирования маршрутов. Включает реализации алгоритмов таких как A*, Dijkstra, RRT и потенциальных полей, а также настраиваемые модели поведения агентов. Встроенные модули моделирования и визуализации позволяют удобно создавать сценарии, осуществлять мониторинг в реальном времени и анализировать производительность. Предназначен для расширения, пользователи могут добавлять новые алгоритмы планирования или модели решений агентов для оценки совместной навигации и распределения задач в сложных условиях.