2026年强化学习工程师考试题库（附答案和详细解析）（0902）.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.下列不属于马尔可夫决策过程(MDP)核心组成要素的是A.所有可能的环境状态集合SB.智能体可执行的动作集合AC.存储历史样本的经验回放缓存池D.环境反馈的奖励函数R答案：C解析：马尔可夫决策过程的核心五要素为状态集合S、动作集合A、状态转移概率P、奖励函数R、折扣因子γ，经验回放缓存池是深度Q网络（DQN）中引入的训练优化组件，不属于MDP本身的定义要素。选项A、B、D均属于MDP标准要素描述。2.ε-greedy策略中，ε参数的取值越大，代表的特性是A.智能体探索行为占比越高B.智能体利用已知最优策略的占比越高C.智能体收敛速度一定越快D.智能体最终策略的最优性一定越好答案：A解析：ε-greedy策略以ε的概率随机选择动作做探索，以1-ε的概率选择当前估值最高的动作做利用，ε越大探索占比越高。选项B描述的是ε取值更小的特性；选项C错误，ε过大会导致无法收敛；选项D错误，ε过大会使得智能体始终无法稳定收敛到最优策略。3.策略迭代算法的两个核心步骤是A.值迭代、状态更新B.策略评估、策略改进C.经验采样、损失计算D.梯度反向传播、参数更新答案：B解析：策略迭代的标准流程分为两步：第一是策略评估，基于当前策略计算所有状态的值函数；第二是策略改进，基