2026年强化学习工程师考试题库（附答案和详细解析）（0506）.docxVIP

2026年强化学习工程师考试题库（附答案和详细解析）（0506）

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）的核心特性是？

A.历史无关性

B.状态空间连续性

C.奖励函数非线性

D.动作空间离散性

答案：A

解析：MDP的马尔可夫性要求未来状态仅取决于当前状态与动作，与历史无关（A正确）。状态/动作空间可连续可离散（B/D错误），奖励函数设计无限制（C错误）。

Q-Learning算法属于哪种学习范式？

A.同轨策略（On-policy）

B.离轨策略（Off-policy）

C.基于模型（Model-based）

D.直接策略搜索

答案：B

解析：Q-Learning使用ε-greedy策略探索，但用最优动作更新Q值（max操作），属于离轨策略（B正确）。SARSA是同轨策略（A错误），Q-Learning无环境模型（C错误）。

二、多项选择题（共10题，每题2分，共20分）

贝尔曼方程可应用于以下哪些场景？（）

A.策略评估（PolicyEvaluation）

B.值迭代（ValueIteration）

C.蒙特卡洛控制（MonteCarloControl）

D.动态规划更新

答案：ABD

解析：贝尔曼方程是动态规划的核心（D正确），用于策略评估（A正确）和值迭代（B正确）。蒙特卡