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.

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.