Policy iterationin perusajatus on yksinkertainen:

1. Valitaan jokin alkuperäinen $\pi$ ja $v$;
2. Käytetään politiikan arviointia päivittämään $v$, kunnes se on yhdenmukainen $\pi$:n kanssa;
3. Käytetään politiikan parantamista päivittämään $\pi$, kunnes se on ahne suhteessa $v$:hen;
4. Toistetaan vaiheet 2-3, kunnes konvergenssi saavutetaan.

Tässä menetelmässä ei tehdä osittaisia päivityksiä:

• Politiikan arvioinnin aikana arvot päivitetään jokaiselle tilalle, kunnes ne ovat yhdenmukaisia nykyisen politiikan kanssa;
• Politiikan parantamisen aikana politiikka tehdään ahneeksi arvotoimintoa kohtaan.

Pseudokoodi