2026年强化学习工程师考试题库（附答案和详细解析）（0129）.docxVIP

强化学习工程师考试试卷

一、单项选择题（共10题，每题1分，共10分）

马尔可夫决策过程（MDP）的核心假设是？

A.未来状态仅依赖当前状态，与历史状态无关

B.奖励函数必须是确定性的

C.状态空间必须是连续的

D.策略必须是随机的

答案：A

解析：马尔可夫性的核心是“未来仅依赖当前状态”（无后效性），因此A正确。奖励函数可以是随机的（B错误）；状态空间可以是离散或连续（C错误）；策略可以是确定性或随机（D错误）。

以下哪种算法属于“离线策略”（Off-Policy）强化学习？

A.策略梯度（PolicyGradient）

B.Q-learning

C.SARSA

D.REINFORCE

答案：B

解析：离线策略指学习策略（目标策略）与生成数据的策略（行为策略）不同。Q-learning使用贪心策略作为目标策略，行为策略可以是ε-贪心，属于离线策略（B正确）。SARSA是在线策略（C错误）；策略梯度和REINFORCE均为在线策略（A、D错误）。

深度Q网络（DQN）中“经验回放”（ExperienceReplay）的主要作用是？

A.减少样本间的相关性

B.加速梯度下降

C.提高策略的探索能力

D.优化奖励函数设计

答案：A

解析：经验回放通过存储历史经验并随机采样，打破连续样本的强相关性，避免模型过拟合（A正确）。加速梯度下降是优化器的作用（B错误）