Gym-Recsys é uma caixa de ferramentas que encapsula tarefas de recomendação em ambientes OpenAI Gym, permitindo que algoritmos de aprendizagem por reforço interajam de forma passo a passo com matrizes simuladas de usuário-item. Fornece geradores de comportamento de usuário sintéticos, suporta carregamento de conjuntos de dados populares e fornece métricas padrão de recomendação, como Precision@K e NDCG. Os usuários podem personalizar funções de recompensa, modelos de usuário e pools de itens para experimentar diferentes estratégias de recomendação baseadas em RL de forma reproduzível.

gym-fx é uma biblioteca Python de código aberto que implementa um ambiente simulado de negociação de Forex usando a interface OpenAI Gym. Oferece suporte para múltiplos pares de moedas, integração de feeds de preços históricos, indicadores técnicos e funções de recompensa totalmente personalizáveis. Fornecendo uma API padronizada, o gym-fx simplifica o processo de benchmark e desenvolvimento de algoritmos de aprendizado por reforço para negociação algorítmica. Os usuários podem configurar deslizamentos de mercado, custos de transação e espaços de observação para simular cenários de negociação ao vivo, facilitando o desenvolvimento e avaliação robusta de estratégias.

MARFT é uma biblioteca baseada em Python para LLMs, permitindo experimentos reprodutíveis e prototipagem rápida de sistemas de IA colaborativos.

O Monitoramento Multi-Agente oferece uma estrutura de simulação flexível onde vários agentes de IA atuam como predadores ou vagabundos em um mundo de grade discreta. Os usuários podem configurar parâmetros do ambiente como dimensões da grade, número de agentes, raios de detecção e estruturas de recompensa. O repositório inclui classes Python para comportamento de agentes, scripts de geração de cenários, visualização embutida via matplotlib e integração perfeita com bibliotecas populares de aprendizado por reforço. Isso facilita benchmarks de coordenação multiagente, desenvolvimento de estratégias de vigilância personalizadas e execução de experimentos reprodutíveis.

Este projeto de código aberto oferece uma estrutura completa de aprendizado por reforço multiagente construída em PyTorch e Unity ML-Agents. Inclui algoritmos DDPG descentralizados, wrappers de ambiente e roteiros de treinamento. Os usuários podem configurar políticas de agentes, redes críticas, buffers de replay e trabalhadores de treinamento paralelos. Ganchos de registro permitem monitoramento no TensorBoard, enquanto um código modular suporta funções de recompensa e parâmetros de ambiente personalizados. O repositório inclui cenas Unity de exemplo demonstrando tarefas colaborativas de navegação, tornando-se ideal para estender e testar cenários multiagente em simulações.

RL Shooter é uma estrutura baseada em Python que integra ViZDoom com APIs do OpenAI Gym para criar um ambiente de aprendizagem por reforço flexível para jogos FPS. Os usuários podem definir cenários, mapas e estruturas de recompensa personalizadas para treinar agentes em tarefas de navegação, detecção de alvos e tiro. Com quadros de observação ajustáveis, espaços de ação e facilidades de registro, suporta bibliotecas populares de RL profundo como Stable Baselines e RLlib, permitindo acompanhamento claro de desempenho e reprodutibilidade entre experimentos.

Simple Playgrounds fornece uma plataforma modular para construir ambientes interativos em grade 2D, onde os agentes podem navegar por labirintos, interagir com objetos e completar tarefas. Os usuários definem layouts do ambiente, comportamentos de objetos e funções de recompensa via scripts simples em YAML ou Python. O renderizador integrado do Pygame oferece visualização em tempo real, enquanto uma API baseada em passos garante integração perfeita com bibliotecas de aprendizado por reforço, como Stable Baselines3. Com suporte para configurações multiagente, detecção de colisões e parâmetros de física personalizáveis, o Simple Playgrounds agiliza a prototipagem, benchmarking e demonstrações educacionais de algoritmos de IA.

Este repositório fornece uma estrutura completa de aprendizado por reforço para pesquisa de jogabilidade em StarCraft II. O agente principal usa Proximal Policy Optimization (PPO) para aprender redes de política que interpretam dados de observação do ambiente PySC2 e geram ações precisas no jogo. Desenvolvedores podem configurar camadas de redes neurais, modelagem de recompensas e cronogramas de treinamento para otimizar o desempenho. O sistema suporta multiprocessamento para coleta eficiente de amostras, utilitários de registro para monitorar curvas de treinamento e scripts de avaliação para executar políticas treinadas contra oponentes scriptados ou IA incorporada. O código é escrito em Python e utiliza TensorFlow para definição e otimização de modelos. Usuários podem estender componentes como funções de recompensa personalizadas, pré-processamento de estado ou arquiteturas de rede para atender a objetivos de pesquisa específicos.