第一章 绪论
第二节 国内外研究现状
国内对于这一方面的研究起步迟，而且很长一段时间以来都是在对西方国家已经研究过的理论和方法进行再研究，工程进度管理方法的进步与改进比靠西方。最早可以追溯到上世纪 60 年代左右的统筹法，这是由华罗庚教授在融合三大技术（网络计划与 CPM 及 PERT）后提出的。自此开始，工程进度管理方法在我国境内才得以在实际建设中慢慢开始得到使用和重视[4]；1992 年《工程网络计划规程》的颁布使得工程网络计划技术成为一个可参照比对、规范的行业技术标准。2001 年，新修订的《工程网络计划技术规程》的颁布使得该行业技术标准更上一层楼。2003 年，万伟提出将 ACTIM 启发式算法应用于解决工程进度计划中不同进度节点的资源冲突问题从而识别关键链[6]。2004 年王健等利用多属性效用函数理论构建了一个模型，用于解决工程管理中三大要素的综合均衡优化问题，模型以 PERT 为基础，并且求解模型时用到了遗传算法[7]。2010 年郭铁构建了一个可以把工期控制到最短的模型，用于资源受制约情形下的工程进度管理，在求解时用了粒子群算法。
目录
第三章 基于强化学习的园林工程进度管理模型
第一节 强化学习在园林工程进度管理中的应用
随着 IT 技术的发展，将计算机技术用来解决现代企业在生产经营中遇到的实际问题以提高企业的竞争力已经成为发展态势[50]，强化学习理论虽经众多学者进行了深入的研究，但是具体到实际应用层面，很多研究还存在进一步的发掘空间。无论是软件工程项目还是建筑类工程项目都涉及到进度管理问题，对于工程关键路径的确定是很多进度管理方法的基础环节[51]，如何科学有效迅速地找出关键路径是很多企业对各个工程进度管理方法的共同需求点。
强化学习的训练可以理解为 Agent 对环境模型的探索、环境对 Agent 采取的动作行为给予强化信号的交互过程， S 是一个有限状态集合，状态 s 之间的转换过程可以抽象为 Agent 的一个动作，Agent 是高度理性的。它会根据环境反馈的强化信号决定下一步的决策，经过反复的尝试探索，就可以达到自己获得最大回报的最终目标。图 3-1 表示 Agent 与其作用的对象 environment 之间的交互过程。
图 3-1 强化学习模型示意图
..........................图 3-1 强化学习模型示意图
第五章 总结与展望
第二节 论文不足与展
望一、不足之处
论文在对国内外研究现状进行梳理后提出了将强化学习和深度学习用于工程进度管理，分析了一般场景下基于强化学习的工程进度管理模型实现步骤和基于深度学习的工程进度管理模型的实现方法，结合工程案例进行了验证。但是，由于个人有限的学术能力及掌握的信息受限会对研究有一定影响，主要体现在以下几点：
（一）因目前国内外研究学者针对园林工程方面研究的具体应用数量有限，且本人在获取信息资源方面存在不足，掌握的信息不够全面充分。这些原因导致本人对于这两种学习方法在工程进度管理上的研究还还欠缺很多。案例实证研究时由于受限于自身能力，并且为了可以清晰说明案例实证过程、得到自己所求结果，选取案例亦相对简单。
（二）案例研究中虽然快速训练出了理想的结果，但是所提模型验证缺乏现场数据进行测试，均是用模拟的数据进行测试的，只是探讨了两种方法应用在模拟数据上的可行性，具体应用到实际工程中还会面临不少困难。
（三）在深度学习模型中，由于目前所能获得的可供使用的园林工程的资料还比较少，以致训练精度有限，会对预测的准确性产生影响。
二、展望
在以后的研究中应更加注重将理论应用到实践中去，一是注重理论与现实的结合，研究的数据要更丰富全面。二是可以尝试将研究与相应的工程管理软件应用平台相结合以进行更进一步的研究，再扩大到对工程成本管理和质量管理的研究，这样更能凸显研究的价值。三是可以选取多种学习算法多种模型进行案例对比分析，来验证方法的可行性，更具研究意义。本文探讨的方法在未来生态建设整体规划时可以为工程进度管理提供快速、智能、准确的方法，所产生的数据也可以用来供检索、比较、科学评价等。
在未来，AI 技术在园林工程管理领域也将愈来愈有优势。
参考文献（略）
