2026年强化学习工程师考试题库（附答案和详细解析）（0220）.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.状态集合（StateSet）

B.动作集合（ActionSet）

C.环境观测（Observation）

D.折扣因子（DiscountFactor）

答案：C

解析：MDP的标准组成为状态集合（S）、动作集合（A）、转移概率（P(s’|s,a)）、奖励函数（R(s,a,s’)）和折扣因子（γ）。环境观测（Observation）是部分可观测马尔可夫决策过程（POMDP）的概念，因此C错误。

以下哪种算法属于“基于值函数”的强化学习方法？

A.策略梯度（PolicyGradient）

B.DQN（DeepQ-Network）

C.PPO（ProximalPolicyOptimization）

D.A3C（AsynchronousAdvantageActor-Critic）

答案：B

解析：基于值函数的方法通过学习状态-动作值函数（Q函数）间接优化策略，DQN是典型代表。策略梯度、PPO、A3C均直接优化策略函数，属于“基于策略”或“演员-评论家”方法，因此B正确。

在Q-learning中，更新Q值的公式为：Q(s,a)←Q(s,a)+α[R+γmax?’Q(s’,a’)-Q(s,a)]。其中“max?’