2026年强化学习工程师考试题库（附答案和详细解析）（0109）.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，与历史无关

B.奖励函数必须连续可导

C.策略必须是确定性的

D.状态空间必须是有限的

答案：A

解析：MDP的核心是马尔可夫性质，即未来状态的概率分布仅依赖当前状态（S?），与历史状态（S?,…,S???）无关（选项A正确）。奖励函数可以是离散或连续的（选项B错误）；策略可以是随机或确定性的（选项C错误）；状态空间可以是有限或无限的（如连续状态空间）（选项D错误）。

Q-learning算法属于以下哪类？

A.基于值函数的离策略算法

B.基于策略梯度的在策略算法

C.基于值函数的在策略算法

D.基于模型的动态规划算法

答案：A

解析：Q-learning通过估计动作值函数（Q函数）来优化策略，属于值函数方法（排除B）；其更新时使用“行为策略”（ε-贪心）和“目标策略”（贪心）分离，属于离策略算法（选项A正确，C错误）；Q-learning是无模型算法（不依赖环境模型），排除D。

以下哪种方法用于解决深度强化学习中的“维度灾难”问题？

A.经验回放（ExperienceReplay）

B.策略梯度（PolicyGradient）

C.注意力机制（AttentionMechanism）

D.双Q网络（Double