2026年强化学习工程师考试题库（附答案和详细解析）（0205）.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）的核心假设是？

A.环境状态仅依赖当前状态

B.奖励函数是连续的

C.动作空间必须离散

D.折扣因子γ=1

答案：A

解析：MDP的核心是马尔可夫性质，即当前状态包含了所有历史信息，环境的下一个状态仅依赖当前状态（与历史无关）。B错误，奖励函数可以是离散或连续；C错误，动作空间可离散或连续（如DDPG处理连续动作）；D错误，γ∈[0,1)，γ=1表示无折扣，可能导致值函数发散。

以下哪项是策略（Policy）的数学定义？

A.π(s)=a

B.π(a|s)=P(a|s)

C.Q(s,a)=E[R|s,a]

D.V(s)=E[G|s]

答案：B

解析：策略π定义为给定状态s时选择动作a的概率分布，即条件概率π(a|s)。A是确定性策略的特例（概率为1）；C是动作价值函数；D是状态价值函数。

Q-learning算法的更新公式基于？

A.蒙特卡洛方法（MC）

B.时序差分（TD）学习

C.策略梯度（PolicyGradient）

D.自然梯度（NaturalGradient）

答案：B

解析：Q-learning通过TD目标更新Q值，公式为Q(s,a)←Q(s,a)+α[r+γmax_a’Q(s’,a’)-Q(s,a)]，属于TD(0)方法。MC需要完整轨迹，策