2026年强化学习工程师考试题库（附答案和详细解析）（0305）.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.策略（Policy）

D.奖励函数（RewardFunction）

答案：C

解析：MDP的标准定义包含状态空间（S）、动作空间（A）、转移概率（P）、奖励函数（R）和折扣因子（γ）。策略（π）是智能体的决策规则（如π(a|s)表示状态s下选择动作a的概率），属于智能体的属性，而非MDP的结构要素。因此选C。

以下哪种算法属于异策略（Off-Policy）强化学习？

A.Sarsa

B.Q-learning

C.香草策略梯度（VanillaPolicyGradient）

D.A2C（AdvantageActor-Critic）

答案：B

解析：异策略算法使用不同于目标策略的行为策略收集数据。Q-learning通过ε-贪心策略收集数据（行为策略），但更新时使用最大化Q值的目标策略，属于异策略；Sarsa的行为策略和目标策略均为ε-贪心（同策略）；策略梯度和A2C均基于同策略（目标策略直接生成数据）。因此选B。

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

A.减少计算复杂度

B.消除数据间的时间相关性

C