2026年强化学习工程师考试题库（附答案和详细解析）（0311）.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.状态价值函数V(s)

D.折扣因子γ

答案：C

解析：MDP的标准组成包括状态空间S、动作空间A、转移概率P(s’|s,a)、奖励函数R(s,a,s’)和折扣因子γ。状态价值函数V(s)是MDP的衍生概念（用于评估策略价值），而非MDP的原始组成部分，因此选C。

以下哪种算法属于基于策略梯度的强化学习方法？

A.Q-learning

B.DQN

C.PPO

D.SARSA

答案：C

解析：PPO（近端策略优化）是典型的策略梯度算法，直接优化策略参数；Q-learning、DQN、SARSA均属于值函数方法（通过估计动作价值函数间接优化策略），因此选C。

强化学习中“探索（Exploration）”与“利用（Exploitation）”的平衡目标是？

A.最大化当前已知最优动作的收益

B.最小化策略更新的方差

C.兼顾发现新的高收益动作与利用已有知识

D.降低环境交互的样本复杂度

答案：C

解析：探索是尝试新动作以发现潜在更高收益，利用是执行当前已知最优动作，二者平衡的目标是长期累积奖励最大化，因此选C。A仅描述利用，B是策略梯度优化目标，D是样本效率目标，均不正确。

贝尔曼方程的本质是？

A.状态