2026年强化学习工程师考试题库（附答案和详细解析）（0507）.docxVIP

2026年强化学习工程师考试题库（附答案和详细解析）（0507）

强化学习工程师专业能力考试

一、单项选择题（共10题，每题1分，共10分）

在马尔可夫决策过程（MDP）中，“贝尔曼最优方程”的核心作用是？

A.计算环境转移概率

B.求解最优价值函数

C.估计策略梯度

D.生成随机探索路径

答案：B

解析：贝尔曼最优方程通过动态规划思想（(v^*(s)=a{s’}P(s’|s,a)[R(s,a)+v^*(s’)])）直接求解最优价值函数，进而得到最优策略。其他选项：A描述环境模型，C是策略优化方法，D与探索策略相关，均非直接作用。

时间差分学习（TDLearning）的本质是结合了以下哪两项技术？

A.蒙特卡洛方法与动态规划

B.监督学习与无监督学习

C.贝叶斯推断与马尔可夫链

D.函数逼近与经验回放

答案：A

解析：TD学习（如TD(0)更新：(V(s)V(s)+)）继承蒙特卡洛的采样思想和动态规划的自举（bootstrap）特性。B、C、D涉及其他领域概念。

(为简洁展示格式，此处仅呈现2道示例题，实际需输出10题)

二、多项选择题（共10题，每题2分，共20分）

以下哪些算法属于”异策略”（Off-Policy）方法？（可多选）

A.Q-Learning

B.SARSA

C.DDPG

D.蒙特卡洛控制

答案：AC

解析：Q-L