2026年强化学习工程师考试题库（附答案和详细解析）（0818）.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.马尔可夫决策过程中，“回报（Return）”的标准定义是A.智能体当前动作获得的即时奖励B.从当前时刻开始到终止状态的所有折扣奖励之和C.整个交互周期内所有即时奖励的加和D.状态动作对对应的期望长期奖励值答案：B解析：正确选项依据强化学习经典定义，回报是从当前时刻起未来折扣奖励的累计和。A选项是即时奖励的定义，C选项未引入折扣因子不符合标准回报定义，D选项是状态动作值函数的定义。2.下列算法中属于On-Policy（同策略）类深度强化学习算法的是A.DQNB.DoubleDQNC.SARSAD.DDPG答案：C解析：SARSA使用当前正在更新的策略生成样本进行学习，属于同策略算法。其余三个选项均属于异策略算法，使用行为策略生成的样本训练目标策略。3.DQN算法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.打破训练样本的时序相关性，提升样本利用率C.避免目标值估计过高的偏差问题D.减小神经网络参数的更新步长，保证收敛答案：B解析：经验回放将历史交互样本存储在缓冲池中，随机采样训练，打破了时序样本的强相关性，同时可以重复利用样本。A选项无对应逻辑，C选项是DoubleDQN的作用，D选项是目标网络更新机制的作用。4.ε-gre