2026年强化学习工程师考试题库（附答案和详细解析）（0731）.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.以下选项中不属于马尔可夫决策过程(MDP)核心组成要素的是A.状态空间SB.动作空间AC.监督标签集YD.奖励函数R答案：C解析：马尔可夫决策过程的标准五要素包含状态空间S、动作空间A、状态转移概率P、奖励函数R、折扣因子γ，不存在监督标签集Y，该要素属于监督学习的核心组件。选项A、B、D均为MDP的标准组成部分，C描述错误。2.ε-greedy策略中，ε的取值越小代表的含义是A.智能体探索环境的概率越高B.智能体利用已有最优经验的概率越高C.智能体一定选择当前Q值最大的动作D.智能体完全随机选择动作答案：B解析：ε-greedy策略定义为以ε的概率随机探索动作，以1-ε的概率选择当前评估的最优动作，ε越小代表1-ε越大，智能体利用已有经验的概率越高。选项A错误，ε越大探索概率越高；选项C错误，ε0时仍有概率探索非最优动作；选项D错误，ε=1时才是完全随机选动作。3.深度Q网络(DQN)中引入经验回放机制的核心作用是A.提升神经网络的前向推理速度B.打破样本之间的时序相关性，提升训练稳定性C.增大奖励信号的数值量级D.扩大动作空间的覆盖范围答案：B解析：强化学习交互得到的连续样本存在强时序相关性，直接输入神经网络训练会导致梯度震荡，经验回放将历史