MultiAgentPacman предлагает среду для игры на Python, в которой пользователи могут реализовывать, визуализировать и сравнивать нескольких AI-агентов в области Pacman. Поддерживаются алгоритмы поиска противника, такие как minimax, expectimax, alpha-beta-отсечение, а также пользовательные агенты на основе обучения с подкреплением или эвристик. Фреймворк включает простое GUI, командную строку и инструменты для ведения статистики игр и сравнения эффективности агентов в соревновательных или совместных сценариях.

BomberManAI — это агент ИИ, разработанный для автономной игры в классическую игру Bomberman. Написанный на Python, он взаимодействует с игровой средой, чтобы в реальном времени воспринимать состояние карты, доступные ходы и позиции соперников. Основной алгоритм сочетает поиск A*, поиск в ширину для анализа достижимости и эвристическую функцию оценки для определения оптимальных мест для установки бомб и стратегий уклонения. Агент управляет динамическими препятствиями, усилителями и несколькими противниками по различным макетам карт. Его модульная архитектура позволяет разработчикам экспериментировать с пользовательскими эвристиками, модулями обучения с усилением или альтернативными стратегиями принятия решений. Идеально подходит для исследователей игровой ИИ, студентов и разработчиков соревновательных ботов, BomberManAI предоставляет гибкую основу для тестирования и улучшения автономных игровых агентов.

ePH-MAPF обеспечивает эффективный процесс вычисления путей без столкновений для десятков и сотен агентов на сеточных картах. Использует приоритетные эвристики, техники инкрементального поиска и настраиваемые метрики стоимости (Манхэттен, Евклид), чтобы сбалансировать скорость и качество решения. Пользователи могут выбрать разные эвристические функции, интегрировать библиотеку в системы на Python и тестировать производительность на стандартных сценариях MAPF. Код модульный и хорошо документирован, что позволяет исследователям и разработчикам расширять его для динамических препятствий или специализированных сред.

AI-агент Pentago Swap реализует интеллектуального противника для игры Pentago Swap, применяя алгоритм Monte Carlo Tree Search (MCTS) для исследования и оценки потенциальных игровых состояний. На каждом ходе агент моделирует множество вариантов, оценивает полученные позиции и выбирает ходы, максимизирующие вероятность победы. Поддерживаются настройка параметров поиска, таких как число симуляций, коэффициент исследования и политика моделирования, что позволяет пользователю оптимизировать производительность. Агент включает интерфейс командной строки для матчей один на один, обучение с использованием самоигр для генерации учебных данных, а также API на Python для интеграции в более крупные игровые среды или турниры. Благодаря модульной архитектуре облегчает расширение с использованием альтернативных эвристик или нейросетевых оценщиков для продвинутых исследований и разработки.