Ідея ітерації політики є простою:

1. Взяти початкові $\pi$ та $v$;
2. Використати оцінювання політики для оновлення $v$, поки воно не стане узгодженим із $\pi$;
3. Використати покращення політики для оновлення $\pi$, поки вона не стане жадібною відносно $v$;
4. Повторювати кроки 2-3 до збіжності.

У цьому методі немає часткових оновлень:

• Під час оцінювання політики значення оновлюються для кожного стану, поки вони не стануть узгодженими з поточною політикою;
• Під час покращення політики політика стає жадібною відносно функції значення.

Псевдокод