Ce projet développe des algorithmes d'apprentissage par renforcement pour entraîner des agents autonomes capables de résoudre des tâches complexes. Il utilise des environnements de simulation pour tester et améliorer les performances des modèles, en générant des graphiques et des vidéos de démonstration. Les résultats sont analysés pour optimiser les paramètres et maximiser les récompenses cumulées.

Ce projet est une sandbox dédiée à l'analyse et à la démonstration des fonctionnalités et des bugs des implémentations SYCL. Il permet de tester et comparer les performances entre différents modèles de parallélisation, notamment l'évolution de `parallel_for` vers `parallel_for_work_group` et `parallel_for_work_item`. Les résultats visuels facilitent l'identification des régressions ou des optimisations.

Ce projet académique propose une implémentation de métaheuristiques pour résoudre des problèmes d'optimisation complexes. Il permet de tester et comparer différents algorithmes sur des instances de données prédéfinies, facilitant ainsi l'analyse de leur efficacité et de leur robustesse. Les démonstrations intégrées aident à visualiser les résultats obtenus.