2026年强化学习工程师考试题库（附答案和详细解析）（0126）.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）的核心要素不包括以下哪项？

A.状态空间（StateSpace）

B.动作空间（ActionSpace）

C.状态转移概率（TransitionProbability）

D.监督信号（SupervisionSignal）

答案：D

解析：MDP的核心要素包括状态空间（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）。监督信号是监督学习的概念，不属于MDP要素。

状态值函数Vπ(s)的定义是？

A.策略π下从状态s出发的即时奖励

B.策略π下从状态s出发的期望累积折扣奖励

C.策略π下状态s的最优动作价值

D.策略π下状态s的平均奖励

答案：B

解析：状态值函数Vπ(s)定义为在策略π下，从状态s出发的期望累积折扣奖励，数学表达式为(V^(s)=_)。即时奖励是单步的R，最优动作价值是Q*，平均奖励是无折扣场景的概念。

以下哪种方法用于解决强化学习中的“探索-利用”困境？

A.经验回放（ExperienceReplay）

B.ε-greedy策略

C.目标网络（TargetNetwork）

D.策略梯度（PolicyGradient）

答案：B

解析：ε-greedy通过以ε概率随机探索