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.

PyGame Learning Environment (PLE) — это открытый фреймворк на Python, разработанный для упрощения разработки, тестирования и бенчмаркинга агентов обучения с подкреплением в пользовательских игровых сценариях. Он предоставляет коллекцию легких игр на базе Pygame с встроенной поддержкой наблюдений агентом, дискретных и непрерывных пространств действий, формирования наград и визуализации окружения. PLE обладает удобным API, совместимым с обертками OpenAI Gym, что обеспечивает бесшовную интеграцию с популярными RL-библиотеками, такими как Stable Baselines и TensorForce. Исследователи и разработчики могут настраивать параметры игр, реализовывать новые игры и использовать векторизированные окружения для ускоренного обучения. Благодаря активному сообществу и обширной документации, PLE служит универсальной платформой для академических исследований, образования и прототипирования реальных RL-приложений.

Среда совместного поиска обеспечивает гибкую, совместимую с gym многопользовательскую среду обучения с подкреплением, предназначенную для задач совместного поиска как на дискретных сетках, так и в непрерывных пространствах. Агентов можно управлять при частичном наблюдении и обмениваться информацией в соответствии с настраиваемыми топологиями связи. Фреймворк поддерживает предопределенные сценарии, такие как поиск и спасение, отслеживание целей в динамике и совместное картографирование, предлагает API для определения пользовательских сценариев и структур наград. Интегрируется с популярными RL-библиотеками, такими как Stable Baselines3 и Ray RLlib, включает средства журналирования для анализа производительности и встроенные инструменты визуализации для мониторинга в реальном времени. Исследователи могут изменять размеры сеток, число агентов, диапазон сенсоров и механизмы обмена наградами для оценки стратегий координации и эффективной проверки новых алгоритмов.