2026年强化学习工程师考试题库（附答案和详细解析）（0307）.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.环境奖励函数R

D.智能体观测空间O

答案：D

解析：MDP假设环境状态是完全可观测的（即智能体观测=环境状态），因此其核心组成为状态空间S、动作空间A、转移概率P、奖励函数R和折扣因子γ。观测空间O是部分可观测马尔可夫决策过程（POMDP）的特征，故D错误。

以下哪种算法属于基于策略的强化学习方法？

A.Q-learning

B.Sarsa

C.DQN

D.PPO

答案：D

解析：PPO（近端策略优化）直接通过参数化策略函数π(a|s;θ)优化策略，属于基于策略的方法；Q-learning、Sarsa、DQN均通过学习值函数（Q函数）间接优化策略，属于基于值函数的方法，故D正确。

在强化学习中，“探索（Exploration）”与“利用（Exploitation）”的平衡主要解决什么问题？

A.奖励函数稀疏性

B.状态空间过大

C.局部最优陷阱

D.样本效率低下

答案：C

解析：探索是尝试新动作以发现更优策略，利用是执行当前已知最优动作。平衡二者可避免智能体过早陷入局部最优（仅利用）或过度随机（仅探索），故C正确。奖励稀疏性需通过奖励塑造解决，状态空间大依赖函数近似，样本效率与经验回放等技术相关，