Selective Reincarnation вводит динамический механизм обучения на основе популяции, ориентированный на MARL. Производительность каждого агента регулярно оценивается по заранее заданным порогам. Когда производительность агента падает ниже уровня его коллег, его веса сбрасываются к текущему лучшему агенту, эффективно воскрешая его с подтвержденными поведениями. Этот подход сохраняет разнообразие, сбрасывая только тех, кто показывает слабые результаты, минимизируя разрушительные сбросы и направляя исследование к политикам с высоким вознаграждением. Благодаря целенаправленной наследуемости параметров нейронной сети, платформа снижает дисперсию и ускоряет сходимость как в кооперативных, так и в конкурентных средах. Совместима с любыми алгоритмами MARL на основе градиента политики, реализована в PyTorch и включает настраиваемые гиперпараметры для частоты оценки, критериев выбора и настройки стратегии сброса.

Multi-Agents System from Scratch предоставляет полный набор модулей на Python для построения, настройки и оценки мультиагентных сред с нуля. Пользователи могут определять модели мира, создавать классы агентов с уникальными сенсорными входами и возможностями действий, а также настраивать гибкие протоколы коммуникации для сотрудничества или конкуренции. Фреймворк поддерживает динамическое распределение задач, модули стратегического планирования и отслеживание производительности в реальном времени. Его модульная архитектура позволяет легко интегрировать пользовательские алгоритмы, функции вознаграждения и механизмы обучения. Встроенные инструменты визуализации и логирования позволяют разработчикам контролировать взаимодействия агентов и диагностировать паттерны поведения. Разработан с учетом расширяемости и ясности, система подходит как исследователям в области распределенного ИИ, так и педагогам, обучающим моделированию на базе агентов.