2026年强化学习工程师考试题库（附答案和详细解析）（0807）.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.以下不属于马尔可夫决策过程(MDP)核心组成要素的是A.状态集合与动作集合B.状态转移概率矩阵C.奖励函数与折扣因子D.模型集成权重系数答案：D解析：马尔可夫决策过程的五要素为状态集合S、动作集合A、状态转移概率P、奖励函数R、折扣因子γ，模型集成权重系数是集成学习的相关参数，不属于MDP的核心要素，因此D错误，其余选项表述均正确。2.ε-贪婪策略中，ε取值越大代表的含义是A.智能体选择当前已知最优动作的概率越高B.智能体随机探索环境的概率越高C.智能体利用历史经验的概率越高D.智能体的训练收敛速度一定越快答案：B解析：ε-贪婪策略的规则是，以ε的概率随机选择动作探索环境，以1-ε的概率选择当前价值最高的动作利用已有经验。ε取值越大，探索占比越高，利用占比越低，过高的ε反而会导致收敛速度变慢，因此B正确，其余选项表述错误。3.传统表格型Q-learning算法的目标Q值计算公式是A.r+γmaxa′Q(s′,a′)B.r+γQ(s′,a′)C.r?γmaxa′Q(s′,a′)D.r×γmaxa′Q(s′,a′)答案：A解析：Q-learning是离策略算法，更新时采用下一状态所有动作中的最大Q值计算目标，公式为Q(s,a)←Q(s,a)+α[r+