2026年强化学习工程师考试题库（附答案和详细解析）（0122）.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.监督学习标签

答案：D

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。监督学习标签是监督学习的输入，与MDP无关，因此选D。

在Q-learning中，更新Q值的目标是以下哪项？

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

B.Q(s,a)←Q(s,a)+α[r+γQ(s’,π(s’))-Q(s,a)]

C.Q(s,a)←E[R+γV(s’)]

D.π(s)←argmax_aQ(s,a)

答案：A

解析：Q-learning是Off-policy算法，使用max操作选择下一状态的最优动作（不依赖当前策略），对应公式A；B是Sarsa（On-policy）的更新公式；C是值函数的定义式；D是策略改进的贪心策略，因此选A。

以下哪种算法属于基于策略的强化学习方法？

A.DQN

B.PPO

C.Q-learning

D.Sarsa

答案：B

解析：基于策略的算法直接优化策略π(a|s)，PPO（近端策略优化）是典型的策略梯度类算法；DQN、Q-learni