fa بهینه‌سازی پویای تخصیص سفارش در زنجیره تأمین چندتأمین‌کننده تحت عدم‌قطعیت هزینه: مقایسه برنامه‌ریزی پویا و یادگیری تقویتی صنایع و مدیریت پژوهشي Research <p style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:Tahoma;">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.</span></span></p> <div style="text-align: justify;"><span style="font-family:Tahoma;"><span style="font-size:12px;"><span style="line-height:normal"><span newroman="" time=""><span style="letter-spacing:-.2pt">Order management in multi-source supply chains under stochastic cost fluctuations poses significant structural challenges. This study defines the problem as a strategic decision-making process under uncertainty, wherein historical cost data are available, yet due to structural market volatility and continuous price variations, the distribution derived from past data cannot accurately represent the future, and the decision-maker lacks access to a stable and deterministic distribution of future costs at the time of choice. In the dynamic programming approach, transition probability matrices are extracted from historical data and serve as an optimal model-based benchmark. In contrast, the Q-learning reinforcement learning approach learns the decision policy without explicit probabilistic distribution estimation, solely through interaction with a simulated environment built upon real data. Model validation in the polymer industry using real data across 47 planning horizons demonstrates that the proposed framework achieves an average cost saving of 0.23% (p-value < 0.001) even under baseline conditions with close supplier costs, equivalent to a reduction of over 73,000 monetary units per horizon. Furthermore, sensitivity analyses reveal that as the cost gap between suppliers widens, the saving potential increases substantially, reaching up to 40%. Although dynamic programming provides the optimal theoretical performance, the Q-learning method exhibits rapid adaptability and high stability against market shocks without requiring future distribution modeling. By bridging the gap between theoretical optimization and data-driven methods, this research provides a practical and robust foundation for implementing decision support systems in supply chains with incomplete information and unstable stochastic costs.</span></span></span></span></span></div> زنجیره تأمین, برنامه‌ریزی پویا, یادگیری تقویتی, Q-learning, تصمیم‌گیری مارکوف, مدیریت سفارش‌دهی Supply Chain, Dynamic Programming, Reinforcement Learning, Q-Learning, Markov Decision Process, Ordering Management 73 89 http://ieijqp.ir/browse.php?a_code=A-10-1670-1&slc_lang=fa&sid=1 Leila Hosseini لیلا حسینی lysahoseini@stu.yazd.ac.ir 1159522502 10031947532846007776 No Department of Industrial Engineering, Faculty of Engineering, Yazd University, Yazd, Iran گروه مهندسی صنایع، دانشکده مهندسی، دانشگاه یزد، یزد، ایران mohammad saber Fallah nezahd محمد صابر فلاح نژاد Fallahnezhad@yazd.ac.ir 1159522502 10031947532846007777 Yes Department of Industrial Engineering, Faculty of Engineering, Yazd University, Yazd, Iran گروه مهندسی صنایع، دانشکده مهندسی، دانشگاه یزد، یزد، ایران Vali Derhami ولی درهمی vderhami@yazd.ac.ir 1159522502 10031947532846007778 No Department of Computer Engineering, Faculty of Engineering, Yazd University, Yazd, Iran گروه مهندسی کامپیوتر، دانشکده مهندسی، دانشگاه یزد، یزد، ایران محمد صالح اولیا owliams@yazd.ac.ir 1159522502 10031947532846007779 No Department of Industrial Engineering, Faculty of Engineering, Yazd University, Yazd, Iran گروه مهندسی صنایع، دانشکده مهندسی، دانشگاه یزد، یزد، ایران