2026年强化学习工程师考试题库（附答案和详细解析）（0709）.docxVIP

强化学习工程师

一、单项选择题（共10题，每题1分，共10分）1.马尔可夫决策过程（MDP）的核心五元组不包含以下哪个要素？A.状态集合SB.动作集合AC.样本标注集合YD.转移概率P答案：C解析：MDP五元组为状态集合S、动作集合A、转移概率P、奖励函数R、折扣因子γ，不存在样本标注集合Y，该要素属于监督学习的核心组成部分，其余选项均为MDP标准要素。2.强化学习中折扣因子γ的合理取值范围是？A.γ1B.0≤γ≤1C.γ-1D.无固定取值范围答案：B解析：折扣因子用于权衡未来奖励和当前奖励的权重，取值范围固定为0到1之间，当γ为0时智能体仅考虑即时奖励，γ为1时智能体等价于累计所有未来奖励，取值超出该范围会导致累计奖励数值发散，不符合强化学习目标定义。3.以下算法中属于离线策略（Off-Policy）的是？A.SarsaB.Sarsa(λ)C.Q-LearningD.蒙特卡洛策略梯度答案：C解析：Q-Learning通过目标策略选择最优动作、行为策略生成交互样本，属于典型的离线策略算法；其余三个选项均为在线策略（On-Policy）算法，全程使用同一套策略生成样本并更新。4.DQN算法中引入经验回放机制的核心作用是？A.提升网络的前向推理速度B.打破交互样本的强相关性，提升训练稳定性C.减少算