2026年强化学习工程师考试题库（附答案和详细解析）（0429）.docxVIP

一、单项选择题（共10题，每题1分，共10分）

在强化学习中，马尔可夫决策过程（MDP）的核心假设是什么？

A.环境是动态的，但状态转移是随机的

B.未来状态只依赖于当前状态和动作

C.奖励函数是线性的，且独立于状态

D.策略必须依赖于历史状态

答案：B

解析：马尔可夫决策过程的核心假设是马尔可夫性质，即未来状态只依赖于当前状态和动作，与历史无关。选项A错误，状态转移随机但并非核心假设；选项C错误，奖励函数可以是任意非线性形式；选项D错误，策略基于当前状态即可定义。

强化学习中的折扣因子γ的主要作用是什么？

A.增加即时奖励的权重

B.平衡当前和未来奖励，防止无限回报

C.减小策略的探索空间

D.直接优化长期回报的计算

答案：B

解析：折扣因子γ（0≤γ1）用于折扣未来奖励，平衡当前奖励与未来奖励，避免无限回报问题。选项A错误，γ实际减小当前奖励影响；选项C错误，γ与探索无关；选项D错误，γ不直接优化计算，而是调节时间尺度。

Q-learning算法的更新规则中，目标值基于什么计算？

A.当前动作的期望奖励

B.当前策略下的最大Q值

C.贝尔曼方程的直接迭代

D.环境转移的确定性

答案：B

解析：Q-learning使用贝尔曼优化方程，目标值为立即奖励加上折扣后的最大Q值（即max_a’Q(s’,a’)）。选项A错误，它涉及未来回报；选项C不准确，贝尔曼方