2026年强化学习工程师考试题库（附答案和详细解析）（0225）.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）的核心组成不包括以下哪项？

A.状态空间S

B.动作空间A

C.环境观测空间O

D.奖励函数R(s,a,s’)

答案：C

解析：MDP的标准定义包含状态空间S、动作空间A、状态转移概率P(s’|s,a)、奖励函数R(s,a,s’)和折扣因子γ。环境观测空间O是部分可观测马尔可夫决策过程（POMDP）的扩展概念，因此C为错误选项。

以下哪项是Q-learning算法的核心更新公式？

A.Q(s,a)←Q(s,a)+α[r+γmax_a’Q(s’,a’)-Q(s,a)]

B.