IntelligentMASPlatform создавалась для ускорения разработки и развертывания систем с несколькими агентами, предлагая модульную архитектуру с отдельными слоями для агентов, окружения и сервисов. Агенты взаимодействуют через совместимую с FIPA коммуникацию ACL, что обеспечивает динамические переговоры и координацию. В платформу входит универсальный моделятор окружения, позволяющий моделировать сложные сценарии, планировать задачи агентов и визуализировать взаимодействия в реальном времени с помощью встроенной панели. Для расширенного поведения реализованы модули обучения с подкреплением и поддерживаются пользовательские плагины поведения. Инструменты развертывания позволяют упаковать агентов в автономные приложения или распределенные сети. Также API платформы обеспечивает интеграцию с базами данных, IoT-устройствами и сторонними сервисами ИИ, что делает её подходящей для исследований, промышленной автоматизации и умных городов.

Simple Playgrounds предоставляет модульную платформу для построения интерактивных 2D-окружающих сред, где агенты могут исследовать лабиринты, взаимодействовать с объектами и выполнять задачи. Пользователи определяют макеты окружения, поведение объектов и функции наград с помощью простых сценариев YAML или Python. Встроенный рендерер Pygame обеспечивает визуализацию в реальном времени, а API, основанный на шагах, гарантирует лёгкую интеграцию с библиотеками обучения с укреплением, такими как Stable Baselines3. Поддержка мультиагентных настроек, обнаружение столкновений и настраиваемые параметры физических моделей делают Simple Playgrounds удобной платформой для прототипирования, тестирования и образовательных демонстраций алгоритмов ИИ.

F1Tenth Two-Agent Simulator — это специализированная среда моделирования, созданная на базе ROS и Gazebo, для эмуляции двух автономных транспортных средств в масштабе 1/10, участвующих в гонках или сотрудничающих на пользовательских трассах. Поддерживаются реалистичная физика шин, эмуляция сенсоров, обнаружение столкновений и ведение журналов данных. Пользователи могут подключать собственные алгоритмы планирования и управления, настраивать параметры агентов и запускать сценарии соревнований для оценки эффективности, безопасности и стратегий координации в контролируемых условиях.

Модель хищник-жертва Mesa — это открытая реализация классической системы Лотки-Вольтерра на Python, основанная на фреймворке моделирования агентов Mesa. Она моделирует отдельных агентов-хищников и жертв, движущихся и взаимодействующих на сетке, где жертвы размножаются, а хищники охотятся за едой, чтобы выжить. Пользователи могут настраивать начальные популяции, вероятности воспроизводства, потребление энергии и другие параметры окружающей среды через веб-интерфейс. Моделирование дает визуализации в реальном времени, включая тепловые карты и кривые популяций, и ведет журналы данных для последующего анализа. Исследователи, педагоги и студенты могут расширять модель, настраивая поведение агентов, добавляя новые виды или внедряя сложные экологические правила. Проект рассчитан на простоту использования, быстрое прототипирование и образовательные демонстрации возникающей экологической динамики.

Multi-Agent Systems предоставляет полный набор инструментов для создания, управления и наблюдения за взаимодействиями автономных агентов. Разработчики могут определить классы агентов с собственной логикой принятия решений, настроить сложные среды с ресурсами и правилами, а также реализовать каналы связи для обмена информацией. Framework поддерживает синхронное и асинхронное планирование, реагирование на события и включает логирование для метрик производительности. Пользователи могут расширять основные модули или интегрировать внешние модели ИИ для повышения интеллекта агентов. Визуализационные средства отображают симуляции в реальном времени или после их выполнения, что помогает анализировать возникающие поведенческие паттерны и оптимизировать параметры системы. От академических исследованиях до прототипных распределенных систем — Multi-Agent Systems упрощает полный цикл симуляций с несколькими агентами.

Многоагентная среда для дронов — это Python-пакет, предлагающий настраиваемую симуляцию для роев UAV, основанную на OpenAI Gym и PyBullet. Пользователи задают несколько агентов, моделирующих кинематические и динамические характеристики, для выполнения кооперативных задач, таких как ф formation flying , слежение за целью и обход препятствий. Среда поддерживает модульную настройку задач, реалистичное обнаружение столкновений и моделирование сенсоров, а также возможность создавать пользовательские функции награды и децентрализованные политики. Разработчики могут интегрировать собственные алгоритмы обучения с подкреплением, оценивать их эффективность в различных сценариях и визуализировать траектории и показатели работы агентов в реальном времени. Благодаря открытой архитектуре она стимулирует вклад сообщества, что делает её подходящей для исследований, обучения и прототипирования сложных систем управления множеством агентов.

RinSim обеспечивает модульную среду моделирования, сосредоточенную на моделировании динамических логистических сценариев с несколькими автономными агентами. Пользователи могут задавать дорожные сети через графовые структуры, конфигурировать парки транспортных средств, включая электромодели с ограничениями по аккумулятору, и моделировать стохастические запросы на сбор и доставку. Архитектура дискретных событий гарантирует точное управление временем и событиями, а встроенные алгоритмы маршрутизации и настраиваемое поведение агентов позволяют проводить обширные эксперименты. RinSim поддерживает метрики вывода, такие как время в пути, потребление энергии и уровень сервиса, а также включает модули визуализации для анализа в реальном времени и после симуляции. Его расширяемый дизайн обеспечивает интеграцию пользовательских алгоритмов, масштабирование до больших парков и воспроизводимые исследовательские рабочие процессы, необходимые для оптимизации стратегий мобильности в академической и промышленной среде.

Swarm Simulator предоставляет настраиваемую среду для экспериментов с множеством агентов в реальном времени. Пользователи могут изменять ключевые параметры поведения — согласование, сплочение, разделение — и наблюдать за возникающей динамикой на визуальном холсте. Поддерживаются интерактивные ползунки UI, динамическое изменение количества агентов и экспорт данных для анализа. Идеально подходит для учебных демонстраций, прототипирования исследований или любительского изучения принципов роевого интеллекта.