2026年强化学习工程师考试题库（附答案和详细解析）（0903）.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.马尔可夫决策过程（MDP）的核心特征是哪一项？A.下一时刻的状态仅由当前状态和当前动作决定，与历史状态无关B.下一时刻的状态由所有历史状态的加权和决定C.状态转移过程不存在任何随机性D.奖励信号的生成仅和历史动作序列相关答案：A解析：正确选项依据是MDP的马尔可夫性定义：未来状态仅依赖当前状态和动作，与过去无关。错误选项B违背马尔可夫性的核心定义；错误选项C，MDP分为确定型和随机型，转移函数可以包含随机采样过程；错误选项D，MDP的奖励函数通常由当前状态、动作和下一状态共同决定，而非仅关联历史动作序列。2.下列关于Q-learning算法的描述，正确的是？A.属于在线策略（on-policy）算法，更新的是当前执行策略的价值B.属于离线策略（off-policy）算法，通过目标策略的最优动作选择更新价值C.只能处理连续动作空间的强化学习任务D.不需要维护Q值表，直接拟合价值函数答案：B解析：正确选项依据是Q-learning的核心逻辑：通过记录目标策略下的最大Q值来更新当前Q表，属于典型的off-policy算法。错误选项A，Q-learning并非on-policy，SARSA才是on-policy时序差分算法；错误选项C，原生Q-learning仅能处理离散动作空