2026年强化学习工程师考试题库（附答案和详细解析）（0723）.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)核心五元组要素的是A.状态集合SB.动作集合AC.特征提取器FD.奖励函数R答案：C解析：MDP的标准五元组为S,A,P,R,γ，其中P是状态转移概率矩阵，γ是折扣因子，特征提取器是深度强化学习中可选的辅助组件，不属于MDP的原生定义要素。选项A、B、D都是MDP的标准核心构成部分。2.ε-贪心策略中，随着训练迭代逐步减小ε的核心作用是A.完全消除探索行为B.平衡训练后期的探索与利用比例，逐步收敛到最优策略C.提升智能体的随机动作占比D.增大策略的熵值答案：B解析：ε-贪心策略中ε代表随机探索的概率，训练初期设置较大ε鼓励探索，后期逐步降低ε，让智能体更多选择当前已知最优动作，最终收敛到最优策略。选项A错误，ε不会降到0的话不会完全消除探索；选项C错误，ε减小会降低随机动作占比；选项D错误，ε减小会降低策略熵值。3.Q-learning算法属于以下哪类学习范式A.on-policy时序差分学习B.off-policy时序差分学习C.on-policy蒙特卡洛学习D.off-policy蒙特卡洛学习答案：B解析：Q-learning的更新过程使用目标策略（贪心策略）的最大Q值计算目标值，和当前生成样本的行