NeuralABM — это open-source библиотека на Python, использующая PyTorch для интеграции нейронных сетей в агентное моделирование. Пользователи могут задавать архитектуру агентов в виде нейронных модулей, определять динамику среды и обучать поведение агентов с помощью обратного распространения ошибок на этапах симуляции. Фреймворк поддерживает пользовательские сигналы вознаграждения, обучение по куррикулуму и синхронное или асинхронное обновление, что позволяет исследовать возникающие феномены. В комплект входят утилиты для логирования, визуализации и экспорта наборов данных, что позволяет исследователям и разработчикам анализировать производительность агентов, отлаживать модели и оптимизировать дизайн симуляций. NeuralABM упрощает сочетание обучения с подкреплением и ABM для приложений в области социальных наук, экономики, робототехники и AI-управляемого поведения NPC в играх. Он предоставляет модульные компоненты для настройки среды, поддерживает взаимодействие нескольких агентов и позволяет внедрять внешние датасеты или API для реальных симуляций. Открытая архитектура способствует воспроизводимости и совместной работе благодаря ясной конфигурации экспериментов и интеграции систем контроля версий.

AgentVerse предназначен для облегчения создания архитектур с несколькими агентами путём предоставления набора переиспользуемых модулей и абстракций. Пользователи могут определить уникальные классы агентов с индивидуальной логикой принятия решений, создать каналы связи для обмена сообщениями и моделировать условия окружения. Платформа поддерживает синхронное и асинхронное взаимодействие между агентами, что позволяет реализовать сложные рабочие процессы, такие как переговоры, делегирование задач и совместное решение проблем. Благодаря встроенному логированию и мониторингу, разработчики могут отслеживать действия агентов и оценивать показатели эффективности. AgentVerse включает шаблоны для распространённых сценариев, таких как автономное исследование, торговые симуляции и совместное создание контента. Его модульная структура позволяет бесшовно интегрировать внешние модели машинного обучения, такие как языковые модели или алгоритмы обучения с усилением, обеспечивая гибкость в различных приложениях на базе ИИ.

AI футбольный Кубок в среде Java JADE — это открытая демонстрация, использующая Java Agent DEvelopment Framework (JADE) для моделирования полного футбольного турнира. Каждый игрок моделируется как автономный агент с поведениями для движения, контроля мяча, передачи и удара, координируя стратегии через обмен сообщениями. Симулятор включает судей и тренеров, обеспечивает соблюдение правил и управляет сетками турнира. Разработчики могут расширить принятие решений с помощью пользовательских правил или интеграции модулей машинного обучения. Эта среда демонстрирует взаимодействие многопользовательских агентов, командную работу и динамическое планирование стратегий в реальном спортивном сценарии.

Репозиторий Protocol Net Protocol предоставляет полную Java-реализацию взаимодействия по протоколу FIPA Contract Net. Разработчики могут создавать управляющих и контрактных агентов, которые обмениваются CFP (запросами предложений), предложениями, принятием и отказами через коммуникационные каналы агентов. В код включены основные модули для распространения задач, сбора ставок, оценки предложений на основе настраиваемых критериев, присуждения контрактов и мониторинга выполнения. Его можно интегрировать в большие системы с несколькими агентами или использовать как автономную библиотеку для исследований, промышленных расписаний или командной работы роботов.

JADE-DR-VPP — это открытая Java-библиотека, реализующая систему многоагентов для отклика на спрос (DR) в виртуальных электростанциях (VPP). Каждый агент представляет собой гибкий нагрузочный или генерирующий блок, взаимодействующий через сообщения JADE. Система управляет событиями DR, планирует корректировки нагрузки и агрегирует ресурсы для выполнения сигналов сети. Пользователи могут настраивать поведение агентов, запускать масштабные симуляции и анализировать показатели эффективности стратегий управления энергией.

Jason-RL добавляет слой обучения с подкреплением в многопользовательскую систему Jason, позволяя агентам AgentSpeak BDI изучать политики выбора действий по наградной обратной связи. Реализует алгоритмы Q-обучения и SARSA, поддерживает настройку параметров обучения (скорость обучения, коэффициент дисконтирования, стратегию исследования) и регистрирует метрики тренировки. Определяя функции наград в планах агентов и запуская симуляции, разработчики могут наблюдать за улучшением решений агентов со временем и их адаптацией к меняющимся условиям без ручного кодирования политик.

JASA предоставляет комплексный набор Java-библиотек для построения и выполнения симуляций мног-agентных систем. Она поддерживает управление жизненным циклом агентов, планирование событий, асинхронную передачу сообщений и моделирование окружения. Разработчики могут расширять базовые классы для реализации пользовательского поведения, интегрировать внешние источники данных и визуализировать результаты симуляции. Модульная структура фреймворка и ясная документация API обеспечивают быстрое прототипирование и масштабируемость, делая его подходящим для академических исследований, обучения и разработки концептов в моделировании на базе агентов.

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.

Проект использует фреймворк JADE (Java Agent DEvelopment) для построения мног Agentsystem. Определяются агенты, регистрирующиеся в AMS и DF платформы, обменивающиеся сообщениями ACL и выполняющие такие поведения, как циклические, одношаговые и FSM. В сценариях демонстрируются переговоры покупатель-продавец, протоколы контрактных сетей и распределение задач. Графический контейнер агента помогает отслеживать состояние агентов во время выполнения и поток сообщений.

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.

Этот опенсорсный фреймворк объединяет библиотеку моделирования агентов AgentSimJs с 3D-графическим движком Three.js для обеспечения интерактивных, основанных в браузере многопользовательских симуляций. Пользователи могут определять типы агентов, поведения и правила окружения, настраивать обнаружение столкновений и обработку событий, а также визуализировать симуляции в реальном времени с настраиваемыми параметрами рендеринга. Библиотека поддерживает динамическое управление, управление сценой и оптимизацию производительности, что делает ее идеальной для исследований, обучения и прототипирования сложных сценариев на основе агентов.

Multi-Agent System предоставляет легковесный, но мощный набор инструментов для проектирования и выполнения симуляций с несколькими агентами. Пользователи могут создавать собственные классы агентов для инкапсуляции логики принятия решений, определять объекты Environment для моделирования состояний и правил мира, а также настраивать движок симуляции для организации взаимодействий. Фреймворк поддерживает модульные компоненты для логирования, сбора метрик и базовой визуализации для анализа поведения агентов в кооперативных или враждебных сценариях. Подходит для быстрого прототипирования ройной робототехники, распределения ресурсов и экспериментов по децентрализованному управлению.

AgentSimJS предназначена для упрощения создания и выполнения моделей на основе агентов масштабируемых систем на JavaScript. Благодаря своей модульной архитектуре разработчики могут определять агентов с настраиваемыми состояниями, датчиками, функциями принятия решений и актуаторами, а затем интегрировать их в динамические окружения, параметризованные глобальными переменными. Фреймворк управляет симуляциями с дискретными временными шагами, обрабатывает обмен сообщениями между агентами и записывает данные взаимодействий для анализа. Модули визуализации поддерживают отображение в реальном времени с использованием HTML5 Canvas или внешних библиотек, а плагины позволяют интегрировать с статистическими инструментами. AgentSimJS работает как в современных браузерах, так и в Node.js, делая его пригодным для интерактивных веб-приложений, научных исследований, образовательных средств и быстрого прототипирования ройной интеллигентности, динамики толпы или распределенного ИИ.

ASP-DALI предоставляет единую платформу для определения и выполнения логических интеллектуальных агентов. Разработчики пишут правила ASP для описания баз знаний и целей, а конструкции DALI определяют реакции на события и выполнение действий. Во время выполнения решатель ASP вычисляет ответы (answer sets), которые направляют решения агента, позволяя ему планировать, реагировать на входящие события и динамически корректировать убеждения. Среда поддерживает модульные базы знаний, облегчая инкрементальные обновления и четкое разделение декларативных правил и реактивных поведений. ASP-DALI реализован на Prolog с интерфейсами к популярным решателям ASP, что упрощает интеграцию и развертывание в исследовательских и прототипных сценариях.