AutoDRIVE Cooperative MARL 是一個托管在 GitHub 上的框架，結合了 AutoDRIVE 城市駕駛模擬器與可調整的多智能體強化學習算法。它包括訓練腳本、環境包裝器、評估指標和可視化工具，用於開發和基準測試合作駕駛策略。用戶可以配置智能體的觀察空間、獎勵函數和訓練超參數。此存儲庫支持模組化擴展，實現自定義任務定義、課程學習及性能追蹤，促進自動駕駛車輛協調研究。

DeepMind MAS 環境是一個Python函式庫，提供建構和模擬多智能體強化學習任務的標準化介面。用戶可以配置智能體數量、定義觀察與行動空間，並自定義獎勵結構。該框架支援智能體間通信渠道、性能日誌和渲染功能。研究人員可以將DeepMind MAS無縫整合到流行的RL庫（如TensorFlow與PyTorch），用於基準測試新算法、測試通信協議，並分析離散與連續控制領域。

DEf-MARL（多智能體強化學習去中心化執行框架）提供一個穩健的基礎設施，用於執行與訓練合作智能體，無需中央控制。它利用點對點通訊協議，分享政策與觀測數據，實現局部互動協調。該框架能無縫整合PyTorch及TensorFlow等常用RL工具包，提供可自訂的環境包裝器、分散式Rollout收集與梯度同步模組。用戶可定義特定智能體的觀測空間、獎勵函數與通訊拓撲。DEf-MARL支持運行時動態添加與移除智能體，通過複製關鍵狀態提升錯誤容忍，並採用自適應通訊調度平衡探索與利用。它透過平行模擬環境並減少中心瓶頸，加速訓練，適用於大規模MARL研究及工業模擬。

MADDPG-Keras 通過在 Keras 中實現 MADDPG 算法，為多智能體強化學習研究提供完整框架。它支持連續動作空間、多個智能體和標準的 OpenAI Gym 環境。研究人員和開發者可以配置神經網絡結構、訓練超參數和獎勵函數，並通過內建的日誌和模型檢查點加速策略學習與基準測試。

Patrolling-Zoo提供一個彈性的框架，讓用戶能在Python中建立與實驗多智慧體巡邏任務。庫內包含多種基於格子與圖形的模擬環境，模擬監控、巡查與覆蓋場景。用戶可自行設定智慧體數量、地圖大小、拓撲結構、獎勵和觀測空間。藉由與PettingZoo與Gym API的相容性，支援與流行強化學習演算法的順暢整合。此環境便於在一致設定下進行基準測試與技術比較。通過提供標準場景與自訂工具，促進自主機器人、安保監控、搜尋救援及多智慧體協調策略的研究與應用。

合作搜尋環境提供一個彈性的、與gym相容的多智能體強化學習環境，適用於離散格子與連續空間中的合作搜尋任務。智能體在部分可觀測的條件下運作，並可根據自訂的通信拓撲分享資訊。框架支持預定義的場景，如搜尋與救援、動態目標追蹤及協作繪圖，並提供API以定義自訂的環境與獎勵結構，與Stabloes Baselines3和Ray RLlib等流行RL庫無縫整合，包含記錄性能的工具及即時可視化功能。研究人員可調整格子大小、智能體數量、感測器範圍及獎勵分享機制，有效評估協作策略與基準新演算法。

MARO（多代理資源優化）是一個基於Python的框架，旨在支援供應鏈、物流和資源管理場景中多代理強化學習代理的開發與評估。其包含存貨管理、卡車排程、交叉碼頭作業、集裝箱租賃等模板。MARO提供統一的代理API、內建追蹤器用於實驗記錄、平行模擬以進行大規模訓練，以及性能分析的視覺化工具。平台模組化、可擴展，可與流行RL庫整合，實現可重複的研究與快速的AI驅動優化方案原型。

Mava是一個基於JAX的開源函式庫，用於開發、訓練和評估多智能體增強學習系統。它提供協作型和競爭型算法如MAPPO和MADDPG的預建實作，以及支持單節點和分散式工作流程的可配置訓練循環。研究人員可以從PettingZoo導入環境或自定義環境，並利用Mava的模組化元件進行策略優化、重播緩衝管理與指標日誌。其靈活架構支持新算法、客製化觀察空間和獎勵結構的無縫整合。利用JAX的自動向量化和硬體加速能力，Mava確保高效的大規模實驗及各種多智能體場景下的可重複基準測試。

MGym是一個專門用於在Python中構建與管理多智能體強化學習（MARL）環境的框架。用戶可以定義多個智能體的複雜場景，每個智能體都具有可自定義的觀察和行動空間、獎勵函數及互動規則。MGym支援同步與非同步兩種執行模式，提供平行與輪換式的智能體模擬。採用類似Gym的API設計，與Stable Baselines、RLlib和PyTorch等流行RL庫無縫整合。內建工具模組用於環境基準測試、結果視覺化及績效分析，方便系統性評估MARL演算法。其模組化架構允許快速原型設計合作、競爭或混合型智能體任務，幫助研究人員與開發者加速MARL實驗與研究。

Multi-Agent Miners提供一個基於網格的世界環境，數個自主礦工代理在互動中導航、挖掘並收集資源。支援可配置的地圖大小、代理數量和獎勵結構，用戶可創建競爭或合作場景。該框架與流行的RL庫透過PettingZoo整合，提供標準化的API用於重置、步進和渲染功能。視覺化模式與記錄支援幫助分析行為與結果，適合用於研究、教育和算法基準測試。

multiagent-env是一個開源的Python函式庫，旨在簡化多智能體強化學習環境的創建和評估。用戶可以通過指定智能體數量、行動和觀察空間、獎勵函數及環境動態來定義合作與對抗情境。它支持實時可視化、可配置渲染，並能輕鬆集成Stable Baselines和RLlib等Python基礎的RL框架。模組化設計允許快速原型制作新情境與便捷的多智能體算法基準測試。

此倉庫提供完整的多智能體強化學習算法套件，包括MADDPG、DDPG、PPO等，並整合標準基準如Multi-Agent Particle Environment與OpenAI Gym。具有可自訂的環境包裝器、可設定的訓練腳本、實時日誌記錄與性能評估指標。用戶可以輕鬆擴展算法、適應自訂任務，並在合作與對抗設定中比較策略，只需最少的設置。

multiagent_envs 提供一套模組化的Python環境，專為多智能體強化學習的研究與開發而設。包括合作導航、捕食者-獵物、社會困境和競爭性場景。每個環境允許定義智能體數量、觀察特徵、獎勵函數和碰撞動態。該框架與Stable Baselines和RLlib等常用RL庫無縫整合，支持向量化訓練、平行執行和方便記錄。用戶可以拓展現有場景或遵照API创建新环境，加速算法（如MADDPG、QMIX、PPO）的實驗和重現。