본 논문은 기존의 작업장 스케줄링 문제(JSSP)의 결정론적 제약 조건만 고려하는 한계를 극복하고, 실제 생산 환경의 복잡성(수송, 버퍼 관리, 기계 고장, 설정 시간, 확률적 가공 조건 등)을 고려한 강화 학습 기반의 모듈형 프레임워크인 JobShopLab을 제안한다. JobShopLab은 다양한 실제 제약 조건과 다목적 최적화를 지원하며, 문제 인스턴스 정의 및 시뮬레이션 매개변수 설정의 유연성을 제공한다. 표준화된 인터페이스를 통해 다양한 강화 학습 기법과의 호환성을 보장하여 동적이고 불확실한 조건 하에서의 강화 학습 에이전트 훈련 및 스케줄링 방법 비교를 용이하게 한다. JobShopLab은 오픈소스로 공개되어 연구 및 산업 응용에 활용될 수 있다.
