2026年强化学习工程师考试题库（附答案和详细解析）（0613）.docxVIP

强化学习工程师

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，状态转移概率P(s′|s,a)描述的是：A.在状态s下执行动作a获得奖励r的概率B.在状态s下执行动作a转移到状态s′的概率C.智能体在状态s下选择动作a

答案：B解析：状态转移概率P(s′|s,a)表示在当前状态s执行动作a后，系统转移到下一状态s′

以下哪项技术主要用于解决连续动作空间的强化学习问题？A.Q-LearningB.DDPG(DeepDeterministicPolicyGradient)C.SARSAD.REINFORCE

答案：B解析：DDPG是一种基于演员-评论家架构的算法，专门设计用于处理连续动作空间，因为它使用确定性策略梯度。Q-Learning和SARSA是表格型或离散动作空间的算法，REINFORCE是蒙特卡洛策略梯度算法，通常用于离散动作空间。

在强化学习中，“探索”与”利用”的权衡是核心问题之一。以下哪种策略最符合”软”探索？A.?-贪心策略B.概率软动作（PSAC）策略C.确定性策略D.纯随机策略

答案：B解析：?-贪心策略是一种硬探索策略，在训练初期随机选择动作，后期倾向于利用。概率软动作（PSAC）通过引入噪声来持续进行探索，而确定性策略无法