AI-агенты для Камень-Ножницы-Бумага — это проект с открытым исходным кодом на Python, показывающий, как строить, обучать и оценивать различные стратегии AI — случайную игру, распознавание правил и обучение с подкреплением (Q-learning) — в классической игре. Он включает модульные классы агентов, настраиваемый механизм игры, логирование эффективности и утилиты визуализации. Пользователи легко могут менять агентов, регулировать параметры обучения и исследовать поведение ИИ в соревновательных сценариях.

HFO_DQN объединяет Python и TensorFlow, чтобы предоставить полный поток для обучения футбольных агентов с помощью Deep Q-Networks. Пользователи могут клонировать репозиторий, установить зависимости, включая симулятор HFO и библиотеки Python, и настроить параметры обучения в YAML-файлах. Этот фреймворк реализует повторный опыт, обновления целевых сетей, ε-жадное исследование и формирование наград, адаптированные для области полуценра. Включает сценарии для обучения агентов, логирование производительности, оценочные матчи и визуализацию результатов. Его модульная структура позволяет интегрировать собственные архитектуры нейронных сетей, альтернативные алгоритмы RL и стратегии координации нескольких агентов. Выходные данные включают обученные модели, метрики производительности и визуализации поведения, способствуя исследованиям в области обучения с подкреплением и многопользовательских систем.

Jason-RL добавляет слой обучения с подкреплением в многопользовательскую систему Jason, позволяя агентам AgentSpeak BDI изучать политики выбора действий по наградной обратной связи. Реализует алгоритмы Q-обучения и SARSA, поддерживает настройку параметров обучения (скорость обучения, коэффициент дисконтирования, стратегию исследования) и регистрирует метрики тренировки. Определяя функции наград в планах агентов и запуская симуляции, разработчики могут наблюдать за улучшением решений агентов со временем и их адаптацией к меняющимся условиям без ручного кодирования политик.

simple_rl — это минималистичная библиотека Python, предназначенная для упрощения исследований и обучения в области усиленного обучения. Она обеспечивает единый API для определения сред и агентов, с встроенной поддержкой популярных парадигм RL, включая Q-обучение, методы Монте-Карло и динамическое программирование, такие как итерации стоимости и политики. В рамках включены образцы сред, такие как GridWorld, MountainCar и Multi-Armed Bandits, что облегчает практические эксперименты. Пользователи могут расширять базовые классы для создания собственных сред или агентов, а вспомогательные функции обеспечивают логирование, отслеживание производительности и оценку политики. Легкая архитектура и ясный код делают его идеальным для быстрого прототипирования, обучения основам RL и сравнения новых алгоритмов в воспроизводимой и легко понимаемой среде.

Репозиторий Berkeley Pacman Projects предлагает модульную кодовую базу на Python, в которой пользователи могут создавать и тестировать агентов ИИ в лабиринте Pacman. Мы руководствуемся обучением без предварительной информации и с ней (DFS, BFS, A*), состязательным многоагентным поиском (minimax, alpha-beta-отсечение) и обучением с подкреплением (Q-обучение с извлечением признаков). Встроенные графические интерфейсы визуализируют поведение агентов в реальном времени; встроенные тесты и автоградера проверяют правильность. Итеративно совершенствуя алгоритмы, пользователи приобретают практический опыт в исследовании пространства состояний, проектировании эвристик, состязательном рассуждении и обучении на основе наград в рамках единой игровой среды.

Pacman AI предлагает полностью функциональную среду на Python и платформу для агентов для классической игры Pacman. Проект реализует основные алгоритмы обучения с подкреплением—Q-обучение и итерацию ценностей—для обучения агентов оптимальным политикам сбора пилюль, навигации по лабиринту и избегания призраков. Пользователи могут задавать собственные функции наград и настраивать гиперпараметры, такие как скорость обучения, коэффициент дисконтирования и стратегию исследования. Эта платформа поддерживает ведение метрик, визуализацию производительности и воспроизводимость экспериментов. Спроектирована для легкой расширяемости, что позволяет исследователям и студентам внедрять новые алгоритмы или нейросетевые подходы и сравнивать их с базовыми методами на сетке в области Pacman.

Простейшее самостоятельное обучение предлагает разработчикам очень простой способ создавать и обучать агентов обучения с усилением на Python. Фреймворк абстрагирует основные компоненты RL, такие как оболочки окружений, модули политик и буферы опыта в лаконичные интерфейсы. Пользователи могут быстро инициализировать окружения, определять пользовательские политики с помощью знакомых бэкендов PyTorch или TensorFlow, запускать обучающие циклы с встроенным логированием и сохранением контрольных точек. Библиотека поддерживает on-policy и off-policy алгоритмы, что позволяет гибко экспериментировать с Q-обучением, градиентами политики и методами актор-критик. Снижая объем шаблонного кода, простое самообучение позволяет специалистам, педагогам и исследователям быстро прототипировать алгоритмы, проверять гипотезы и визуализировать эффективность агентов с минимальной настройкой. Его модульная структура облегчает интеграцию с существующими ML-стеками и пользовательскими окружениями.