Решатель NQueen на базе GA использует модульную многозадачную архитектуру 2APL, где каждый агент кодирует кандидатскую конфигурацию N-Queen. Агентам оценивают свою пригодность, подсчитывая непересекающиеся пары ферзей, после чего они делятся конфигурациями с высокой пригодностью. Генетические операторы — отбор, кроссовер и мутация — применяются к популяции агентов для генерации новых кандидатских досок. В ходе последовательных итераций агенты коллективно приходят к допустимым решениям N-Queen. Фреймворк реализован на Java, поддерживает настройку параметров, таких как размер популяции, частота кроссовера, вероятность мутации и протоколы коммуникации агентов, а также выводит подробные логи и визуализации процесса эволюции.

Проект mario-ai предлагает комплексную цепочку для разработки AI-агентов для освоения Super Mario Bros., с помощью нейроэволюции. Интегрируя реализацию NEAT на Python с окружением OpenAI Gym SuperMario, он позволяет пользователям задавать собственные критерии оценки, уровни мутаций и топологии сети. В процессе обучения фреймворк оценивает поколения нейронных сетей, отбирает наиболее эффективные гены и предоставляет визуализацию как игрового процесса, так и эволюции сети в реальном времени. Кроме того, он поддерживает сохранение и загрузку обученных моделей, экспорт лучших геномов и создание детальных журналов производительности. Исследователи, преподаватели и любители могут расширять код для других игровых сред, экспериментировать с эволюционными стратегиями и сравнивать прогресс обучения ИИ на разных уровнях.