此儲存庫利用PyTorch實作多代理增強學習中的新興通信。使用者可配置發送與接收神經網路來進行參照遊戲或合作導航，促使代理建立離散或連續的通信通道。提供訓練、評估與視覺化的腳本，以及用於環境建立、訊息編碼與解碼的工具。研究人員可加入自訂任務、修改網路架構，並分析協議效率，加速新興代理通信的實驗。

Mean-Field MARL提供一個強大的Python框架，用於實現和評估平均場多智能體增強學習算法。它通過建模鄰近代理的平均效應來近似大規模代理交互，利用平均場Q-learning。該函式庫包括環境包裝器、代理策略模組、訓練迴圈與評估指標，能在數百個代理上進行擴展訓練。基於PyTorch進行GPU加速，支持Particle World與Gridworld等可定制環境。模組化設計方便增添新算法，並配備內建的日誌紀錄及Matplotlib可視化工具，用於追蹤獎勵、損失曲線與平均場分布。範例腳本與文件指引用戶進行設置、實驗配置與結果分析，非常適合用於大型多智能體系統的研究與原型開發。

RL-Agents是一個基於PyTorch建構的研究級強化學習框架，整合了基於價值、策略及演員-評論員方法的流行RL算法。庫中具有模組化代理API、GPU加速、與OpenAI Gym的無縫整合，以及內建的記錄和視覺化工具。用戶可以調整超參數、客製化訓練流程，並用少量程式碼進行性能測試，適合學術研究、原型開發與工業實驗。

Vanilla Agents 是一個輕量級的 PyTorch 為基礎的框架，提供模組化且可擴展的核心強化學習代理實作。它支援 DQN、Double DQN、PPO 和 A2C 等演算法，並配備與 OpenAI Gym 兼容的可插拔環境封裝。用戶可以配置超參數、記錄訓練指標、保存檢查點並制圖學習曲線。程式碼架構清晰，非常適合研究原型設計、教育用途及新想法的基準測試。

智能體中的新興通訊是一個開源的PyTorch框架，專為探索多智能體系統如何發展自己的通訊協議的研究人員設計。該資料庫提供靈活的合作強化學習任務實現，包括參照游戲、組合彩游戲和對象識別挑戰。用戶定義說話者和聽者的架構，指定訊息通道的屬性（如詞匯大小和序列長度），並選擇訓練策略（如策略梯度或監督學習）。框架包括端到端的腳本用於執行實驗、分析通訊效率和可視化新興語言。其模組化設計允許輕鬆擴展新的游戲環境或自定義損失函數。研究人員可以復現已發表的研究、基準測試新算法，並探究新興智能體語言的組合性和語意。

MARL模擬器旨在促進多智能體增強學習（MARL）算法的高效和可擴展開發。利用PyTorch的分佈式後端，它允許用戶在多個GPU或節點上運行並行訓練，顯著縮短實驗時間。模擬器提供模組化的環境界面，支持標準的基準場景——如協作導航、掠食者-獵物和網格世界——以及用戶定義的自定義環境。智能體可以使用各種通訊協議來協調行動、共享觀察和同步獎勵。可配置的獎勵和觀察空間使得訓練動態可以精細調控，內建的日誌記錄和視覺化工具提供實時性能指標的洞察。

該開源項目提供了建立在PyTorch和Unity ML-Agents之上的完整多智能體強化學習框架。包括去中心化的DDPG演算法、環境包裝器和訓練腳本。用戶可以配置代理策略、評論網絡、重放緩衝區和並行訓練工作者。日誌記錄鉤子支持TensorBoard監控，模組化代碼支持自訂獎勵函數和環境參數。存放庫包含示例Unity場景，演示協作導航任務，非常適合擴展和基準測試多智能體模擬場景。