MADDPG-Keras обеспечивает полный каркас для исследований в области обучения с подкреплением с несколькими агентами, реализуя алгоритм MADDPG в Keras. Поддерживаются непрерывные пространства действий, несколько агентов и стандартные среды OpenAI Gym. Исследователи и разработчики могут настраивать архитектуры нейронных сетей, гиперпараметры обучения и функции вознаграждения, после чего запускать эксперименты с встроенным логированием и контрольными точками для ускорения обучения политик и оценки производительности.

MAGAIL реализует расширение генеративного противоборствующего имитационного обучения для мультиагентов, позволяя группам агентов обучаться скоординированному поведению, основываясь на демонстрациях экспертов. Построенный на Python с поддержкой PyTorch (или вариантов TensorFlow), MAGAIL состоит из модулей политики (генератора) и дискриминатора, обучающихся в противоборственном цикле. Агенты генерируют траектории в средах, таких как OpenAI Multi-Agent Particle Environment или PettingZoo, которые дискриминатор использует для оценки подлинности по сравнению с данными экспертов. Через итеративные обновления сети политики сходятся к стратегиям, похожим на стратегии экспертов, без явных функций награды. Модульная архитектура MAGAIL позволяет настраивать архитектуры сетей, загрузку данных экспертов, интеграцию среды и гиперпараметры обучения. Кроме того, встроенное логирование и визуализация с помощью TensorBoard облегчают мониторинг и анализ прогресса обучения и показателей эффективности мультиагентов.

Mava — это библиотека с открытым исходным кодом, основанная на JAX, для разработки, обучения и оценки систем обучения с подкреплением с несколькими агентами. Предлагает готовые реализации кооперативных и соревновательных алгоритмов, таких как MAPPO и MADDPG, а также настраиваемые циклы обучения, поддерживающие однопроходные и распределенные рабочие процессы. Исследователи могут импортировать окружения из PettingZoo или определять собственные окружения и использовать модульные компоненты Mava для оптимизации политики, управления буферами повторного воспроизведения и логирования метрик. Гибкая архитектура платформы позволяет легко интегрировать новые алгоритмы, собственные пространства наблюдений и структуры вознаграждений. Используя возможности автолевализации и аппаратного ускорения JAX, Mava обеспечивает эффективные крупномасштабные эксперименты и воспроизводимое сравнение в различных сценариях многопользовательской работы.

Многопро Agentное обучение с подкреплением от alaamoheb — это комплексная открытая библиотека, предназначенная для облегчения разработки, обучения и оценки нескольких агентов, действующих в общих средах. В ней реализованы модульные алгоритмы, основанные на ценности и политике, такие как DQN, PPO, MADDPG и другие. Репозиторий поддерживает интеграцию с OpenAI Gym, Unity ML-Agents и StarCraft Multi-Agent Challenge, позволяя экспериментировать как в исследовательских, так и в реалистичных сценариях. Благодаря настраиваемым YAML-экспериментальным настройкам, утилитам логирования и инструментам визуализации, специалисты могут отслеживать кривые обучения, подбирать гиперпараметры и сравнивать разные алгоритмы. Этот фреймворк ускоряет эксперименты в кооперативных, соревновательных и смешанных многопро Agentных задачах, облегчая воспроизводимость исследований и бенчмаркинг.

Ребята RL-агенты для PettingZoo — это библиотека на Python, обеспечивающая готовые алгоритмы DQN, PPO и A2C для многопользовательского обучения с подкреплением в средах PettingZoo. Включает стандартизированные скрипты обучения и оценки, настраиваемые гиперпараметры, встроенное логирование в TensorBoard и поддержку как соревновательных, так и кооперативных игр. Исследователи и разработчики могут клонировать репозиторий, настраивать параметры среды и алгоритмов, запускать тренировки и визуализировать метрики для быстрой разработки и сравнения своих экспериментов по многопользовательскому RL.

RL Shooter — это фреймворк на Python, который интегрирует ViZDoom с API OpenAI Gym для создания гибкой среды обучения с укрепленным обучением для игр FPS. Пользователи могут определять пользовательские сценарии, карты и структуры вознаграждений для обучения агентов навигации, обнаружения целей и стрельбы. Благодаря настраиваемым кадрам наблюдения, пространствам действий и системам логирования, он поддерживает популярные библиотеки глубокого обучения с укрепленным обучением, такие как Stable Baselines и RLlib, обеспечивая отслеживание производительности и воспроизводимость экспериментов.