固定政策，$\pi_t$, 是不随时间变化的策略，即$\pi_t = \pi, \forall t \geq 0$， 在哪里$\pi$可以是一个函数，$\pi: S \rightarrow A$（确定性策略）或条件密度，$\pi(A \mid S)$（随机策略）。非平稳策略是非平稳的策略。更确切地说，$\pi_i$可能不等于$\pi_j$， 为了$i \neq j \geq 0$， 在哪里$i$和$j$因此是两个不同的时间步长。

存在保证存在固定最优策略的问题。例如，在随机（存在模拟环境动态的概率密度，即转移函数和奖励函数）和具有有限状态数的离散时间马尔可夫决策过程（MDP）的情况下，行动和有界奖励，其中目标是长期平均奖励，存在固定的最优策略。这一事实的证明在 Martin L. Puterman 所著的Markov Decision Processes: Discrete Stochastic Dynamic Programming (1994) 一书中，该书显然不能在网络上免费获得。