2026年强化学习工程师考试题库（附答案和详细解析）（0802）.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.下列选项中，不属于马尔可夫决策过程（MDP）固有核心组成要素的是A.状态集合与动作集合B.状态转移概率与即时奖励函数C.折扣因子参数D.确定性最优执行策略答案：D解析：MDP的固有要素为状态集、动作集、转移概率、奖励函数、折扣因子，最优策略是通过算法求解得到的输出结果，不属于MDP本身的定义要素。A、B、C选项均为MDP标准定义中的固有组成部分，描述符合知识点要求。2.对于ε-greedy探索策略，当ε取值为0时，智能体的行为模式是A.100%选择随机动作进行探索B.100%选择当前估计价值最高的动作执行C.以等概率随机选择所有动作D.探索概率与当前状态价值正相关答案：B解析：ε-greedy策略的逻辑为以ε的概率随机探索动作，以1-ε的概率选择当前价值最高的动作，ε=0时探索概率为0，完全执行贪婪动作。A选项是ε=1时的行为，C选项是均匀随机策略的特征，D选项不符合ε-greedy的定义逻辑。3.Q-learning算法属于以下哪种强化学习范式A.在线策略（On-policy）的值函数算法B.离线策略（Off-policy）的值函数算法C.在线策略的策略梯度算法D.离线策略的策略梯度算法答案：B解析：Q-learning通过观测其他策略产生的样