2026年强化学习工程师考试题库（附答案和详细解析）（0805）.docxVIP

强化学习工程师

一、单项选择题（共10题，每题1分，共10分）

下列选项中，不属于马尔可夫决策过程（MDP）标准核心要素的是A.状态空间SB.动作空间AC.反向传播梯度矩阵GD.奖励函数R答案：C解析：MDP的标准核心要素为状态空间、动作空间、转移概率矩阵、奖励函数、折扣因子，反向传播梯度矩阵是深度学习训练的中间产物，不属于MDP的固有要素。选项A、B、D均为MDP标准组成部分，C为干扰项。

ε-贪心策略中，当ε取值为0时，智能体的行为模式是A.以1-ε概率选择当前最优动作，ε概率随机探索B.完全随机选择所有动作，无任何倾向性C.始终选择当前估值最高的动作，完全不进行探索D.每轮动作选择完全由环境奖励决定答案：C解析：ε-贪心策略的定义是以1-ε概率选取当前最优动作，ε概率随机探索，当ε=0时随机探索的概率为0，智能体始终选择估值最高的动作。选项A是ε0时的常规模式，选项B对应ε=1的情况，选项D不符合策略定义逻辑。

下列算法中，属于时序差分（TD）类强化学习算法的是A.蒙特卡洛策略评估B.Q-LearningC.动态规划值迭代D.策略迭代答案：B解析：Q-Learning通过单步时序差分项更新状态动作值，是典型的TD类算法。蒙特卡洛需要完成完整轨迹采样后再更新，动态规划类的值迭代、策略迭代需要环境转移概率的完整先验知识，