2026年强化学习工程师考试题库（附答案和详细解析）（0618）.docxVIP

强化学习工程师

一、单项选择题（共10题，每题1分，共10分）

在强化学习中，智能体（Agent）通过与环境（Environment）交互获得奖励（Reward），这种交互通常构成一个马尔可夫决策过程（MDP），其中哪个状态表示智能体当前的状态？A.动作空间B.状态转移概率C.当前观测状态D.目标函数

答案：C解析：在MDP中，状态（State）描述了环境的当前情况，是智能体感知的核心要素。选项A是动作空间，选项B是转移概率，选项D是目标函数，它们都是MDP的组成部分，但不是当前时刻的状态本身。

以下哪种算法属于基于价值的方法，且特别适合处理连续动作空间？A.Q-learningB.DeepQ-Network(DQN)C.ProximalPolicyOptimization(PPO)D.Actor-Critic(A2C)

答案：D解析：Q-learning和DQN是Q-learning的深度扩展，专门处理离散动作空间。PPO和A2C是基于策略梯度的方法，它们通过策略网络直接输出动作概率，因此天然适合处理连续动作空间。选项D既是基于价值的（有Critic），也是Actor-Critic架构，能较好处理连续问题。

在强化学习中，“探索”与”利用”（Explorationvs.?Exploitation）之间的权衡通常通过什么机制来解