2026年强化学习工程师考试题库（附答案和详细解析）（0213）.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.状态集合（State）

B.动作集合（Action）

C.环境奖励函数（Reward）

D.监督学习标签（Label）

答案：D

解析：MDP的标准定义包含状态集合（S）、动作集合（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。

状态值函数(V^(s))的定义是？

A.策略()下从状态(s)出发的期望即时奖励

B.策略()下从状态(s)出发的期望累计折扣奖励

C.策略()下状态(s)执行动作(a)的期望即时奖励

D.策略()下状态(s)执行动作(a)的期望累计折扣奖励

答案：B

解析：状态值函数(V^(s))表示在策略()下，从状态(s)出发的长期累计折扣奖励的期望（(V^(s)=_)）。选项A错误在“即时”，选项C、D描述的是动作值函数(Q^(s,a))，因此选B。

Q-learning算法的本质是？

A.在线策略（On-Policy）的时序差分学习

B.离线策略（Off-Policy）的时序差分学习

C.基于策略梯度的模型基学习

D.基于值函数的模型基学