مدیریت سفارش‌دهی در زنجیره‌های تأمین چندمنبعی تحت تأثیر نوسانات تصادفی هزینه‌ها، چالش‌های ساختاری جدی را ایجاد می‌کند؛ در این پژوهش، مسئله به‌عنوان یک تصمیم‌گیری راهبردی در شرایط عدم‌قطعیت تعریف شده است؛ به‌گونه‌ای که اگرچه داده‌های تاریخی هزینه‌ها در دسترس است، اما به‌دلیل نوسانات ساختاری و تغییرات پیوسته‌ی بازار، توزیع حاصل از داده‌های گذشته نمی‌تواند نماینده‌ی دقیقی برای آینده باشد و تصمیم‌گیرنده در لحظه‌ی انتخاب، به توزیع پایدار و قطعی هزینه‌های آتی دسترسی ندارد. در رویکرد برنامه‌ریزی پویا، ماتریس‌های احتمال انتقال از داده‌های تاریخی استخراج شده و به‌عنوان معیار مرجع بهینه (مدل‌محور) عمل می‌کنند. در مقابل، رویکرد یادگیری تقویتی مبتنی بر Q بدون نیاز به برآورد صریح توزیع احتمالی و صرفاً از طریق تعامل با محیط شبیه‌سازی‌شده (بر پایه‌ی داده‌های واقعی)، سیاست تصمیم‌گیری را می‌آموزد. اعتبارسنجی مدل در صنعت پلیمر و با استفاده از داده‌های واقعی در ۴۷ افق زمانی نشان می‌دهد که چارچوب پیشنهادی، حتی در شرایط پایه با هزینه‌های نزدیک تأمین‌کنندگان، به‌طور میانگین ۰٫۲۳٪ صرفه‌جویی معنادار (۰٫۰۰۱>p-value) ایجاد می‌کند که معادل کاهش بیش از ۷۳ هزار واحد پولی در هر افق است. افزون بر این، تحلیل‌های حساسیت نشان می‌دهد که با افزایش اختلاف هزینه‌ای میان تأمین‌کنندگان، پتانسیل صرفه‌جویی به‌طور چشمگیری تا ۴۰٪ افزایش می‌یابد. اگرچه برنامه‌ریزی پویا بهینه‌ترین عملکرد نظری را ارائه می‌دهد، اما روش یادگیری Q باوجود عدم نیاز به مدل‌سازی توزیع آینده، تطبیق‌پذیری سریع و پایداری بالایی در برابر شوک‌های بازار از خود نشان می‌دهد. این پژوهش با پر کردن شکاف میان بهینه‌سازی تئوریک و روش‌های داده‌محور، مبنایی عملی و مقاوم برای پیاده‌سازی سیستم‌های پشتیبانی تصمیم در زنجیره‌های تأمین با اطلاعات ناقص و هزینه‌های تصادفی ناپایدار فراهم می‌آورد.