- ارشادی، محمدمهدی، مؤمنی شریف‌آباد، مهسا، ارشادی، محمدجواد، عزیزی، امیر، و بهزادی پور، سمانه. (1402). مدل‌سازی چندهدفه مسیریابی سبز با استفاده از الگوریتم ترکیبی یادگیری ماشین حداکثری و برنامه‌ریزی ژنتیک. مدیریت زنجیره تأمین، (81) 25، 41-17. 1001.1.20089198.1402.25.81.2.0
- افندی زاده، شهریار، گلشن خواص، رضا، نیکزاد، محمد حسن و بیگدلی، حمید. (1403). ساخت مدل بهینه سازی حمل و نقل ترکیبی در زنجیره تأمین کالا. پژوهشنامه حمل و نقل، (آماده انتشار). https://www.trijournal.ir/article_209483.html
- برادران، وحید و آذری خواه، ارمغان. (1399). ارائه مدل چندهدفه مسیریابی در شبکه سیستم‌های حملونقل عمومی چندوجهی درون‌شهری. مطالعات مدیریت صنعتی، (57) 18، 375-345. https://doi.org/10.22054/jims.2018.25088.1864
- حبیب زاده بیژنی، سحر و صاحبی، هادی. (1403). طراحی شبکه حمل و نقل پسماندهای صنعتی خطرناک با در نظر گرفتن ریسک وابسته به زمان. پژوهشنامه حمل و نقل، 21(4)، 379-392. https://doi.org/10.22034/tri.2021.246098.2807
- حسن پور، حسینعلی؛ فتاحی، حسن و خلیلی، حسین. (1402). حملونقل چندوجهی: رویکردها، فرآیند شکل گیری، مزایا، معایب و محدودیت‌های پیاده سازی. مدیریت زنجیره تأمین، 25(81)، 117-132. https://civilica.com/doc/1942311/
- ربانی، یوسف و سپهری، محمدمهدی و ذگردی، سیدحسام الدین، 1387، مساله مسیریابی وسیله نقلیه متصل به حمل ونقل چندوجهی رویکردیکپارچه. پژوهشنامه حمل و نقل،5 (4)، 318-307. https://sid.ir/paper/83674/fa
- رحیمی، امیرمسعود، یادگاری، بهناز و ابوطالبی اصفهانی، محسن. (1403). توسعه الگوریتم ترکیبی ازدحام گربه‌ها با عملگرهای ژنتیکی برای حل مسئله مسیریابی وسیله نقلیه با محدودیت پنجره زمانی. مجله‌ی مهندسی عمران شریف، 40(4)، ۹5-۸5. https://doi.org/10.24200/j30.2024.63335.3268
- عباسی عقدا، علی، موحدی، محمدمهدی، و شایان نیا، سیداحمد. (1401). طراحی شبکه زنجیره تأمین با رویکرد مسیریابی وسیله نقلیه و پنجره زمانی و استفاده از الگوریتم جستجوی نیروی گرانشی. اندیشه آماد، 21(81)، 21-44. https://sid.ir/paper/1036866/en
- علی نژاد، حامد، یعقوبی، سعید و حسینی مطلق، سید مهدی. (1401). ارائه یک رویکرد فازی برای مساله مسیریابی وسایل نقلیه با گذاشت و برداشت همزمان و پنجره‌های زمانی با استفاده از الگوریتم PSO بهبودیافته (مطالعه‌موردی شرکت فراورده‌های لبنی رامک). مطالعات مدیریت صنعتی، (64) 20، 215-250. https://doi.org/10.22054/jims.2020.22463.1778
- علی‌نژاد، علیرضا، کاظمی، ابوالفضل و کریمی، مرضیه. (1399). ارائه یک مدل چند هدفه برای مسئله مکان یابی مسیریابی با - در نظر گرفتن حداقل ریسک و حداکثر پوشش تقاضا. مطالعات مدیریت صنعتی، (58) 18، 138-105. https://doi.org/10.22054/jims.2020.36793.2184
- معماریانی، عزیزا... . (1378). روش‌های برنامه‌ریزی آرمانی فازی. فصلنامه دانش مدیریت، (46) 12، 34-23 https://jmk.ut.ac.ir/article_13462_88566f0e31a92fb7d60325aa71bdbf11.pdf?lang=en
- نعمت نیا، رسول، خادمی، مریم، فتحی، کیامرث و سردار، سهیلا. (1404). مسیریابی مناسب وسایط نقلیه همراه با مکان‌یابی هاب و پنجره زمانی به کمک الگوریتم‌های فراابتکاری (مورد مطالعه: شرکت دخانیات). پژوهشنامه حمل و نقل، 2(22)،518-501. https://doi.org/10.22034/tri.2024.447410.3234
- De Oliveira, F., Volpi, N. M. P., & Sanquetta, C. R. (2003). Goal programming in a planning problem. Applied mathematics and computation, 140(1), 165–178. https://doi.org/10.1016/S0096-3003(02)00220-5
- Elbert, R., Müller, J. P., & Rentschler, J. (2020). Tactical network planning and design in multimodal transportation–A systematic literature review. Research in Transportation Business & Management, 35, 100462. https://doi.org/10.1016/j.rtbm.2020.100462
- Fazayeli, S., Eydi, A., & Kamalabadi, I. N. (2018). Location-routing problem in multimodal transportation network with time windows and fuzzy demands: Presenting a two-part genetic algorithm. Computers & Industrial Engineering, 119, 233–246. https://doi.org/10.1016/j.cie.2018.03.041
- Ge, Y., Sun, Y., & Zhang, C. (2024). Modeling a Multimodal Routing Problem with Flexible Time Window in a Multi-Uncertainty Environment. Systems, 12(6), 212. https://doi.org/10.3390/systems12060212.
- Guo, F., Xu, Y., Huang, Z., & Wu, Y. (2024). Collaborative optimization of routing and storage strategy of multi-period multimodal transport in an uncertain environment. Computers & Operations Research, 167, 106676. https://doi.org/10.1016/j.cor.2024.106676
- Koohathongsumrit, N., & Chankham, W. (2022). A hybrid approach of fuzzy risk assessment-based incenter of centroid and MCDM methods for multimodal transportation route selection. Cogent Engineering, 9(1), 2091672. https://doi.org/10.1080/23311916.2022.2091672
- Koohathongsumrit, N., & Chankham, W. (2023). Route selection in multimodal supply chains: A fuzzy risk assessment model-BWM-MARCOS framework. Applied Soft Computing, 137, 110167. https://doi.org/10.1016/j.asoc.2023.110167
- Koohathongsumrit, N., & Meethom, W. (2021). An integrated approach of fuzzy risk assessment model and data envelopment analysis for route selection in multimodal transportation networks. Expert Systems with Applications, 171, 114342. https://doi.org/10.1016/j.eswa.2020.114342
- Li, L., Zhang, Q., Zhang, T., Zou, Y., & Zhao, X. (2023). Optimum Route and Transport Mode Selection of Multimodal Transport with Time Window under Uncertain Conditions. Mathematics, 11(14), 3244. https://doi.org/10.3390/math11143244
- Lu, W., Choi, S.-B., & Yeo, G.-T. (2022). Resilient route selection of oversized cargo transport: the case of South Korea–Kazakhstan. The International Journal of Logistics Management, 33(2), 410–430. https://doi.org/10.1108/IJLM-11-2020-0445
- Lu, Y., Chen, F., & Zhang, P. (2022). Multi objective Optimization of Multimodal Transportation Route Problem Under Uncertainty. Engineering Letters, 30. (4).
- Pang, Y., Pan, S., & Ballot, E. (2023). Robust optimization for perishable product distribution under uncertainty of multimodal transportation services. IFAC-Papers Online, 56(2), 7620–7625. https://doi.org/10.1016/j.ifacol.2023.10.1159
- Peng, Y., Gao, S. H., Yu, D., Xiao, Y. P., & Luo, Y. J. (2023). Multi-objective optimization for multimodal transportation routing problem with stochastic transportation time based on data-driven approaches. RAIRO-Operations Research, 57(4), 1745–1765. https://doi.org/10.1051/ro/2023090
- Peng, Y., Yong, P., & Luo, Y. (2021). The route problem of multimodal transportation with timetable under uncertainty: multi-objective robust optimization model and heuristic approach. RAIRO - Operations Research, 55, S3035–S3050. https://doi.org/10.1051/ro/2020110
- Romero, C. (2004). A general structure of achievement function for a goal programming model. European Journal of Operational Research, 153(3), 675-686. https://doi.org/10.1016/S0377-2217(02)00793-2
- SteadieSeifi, M., Dellaert, N., & Van Woensel, T. (2021). Multi-modal transport of perishable products with demand uncertainty and empty repositioning: A scenario-based rolling horizon framework. EURO Journal on Transportation and Logistics, 10, 100044. https://doi.org/10.1016/j.ejtl.2021.100044
- Sun, Y. (2020). A fuzzy multi-objective routing model for managing hazardous materials door-to-door transportation in the road-rail multimodal network with uncertain demand and improved service level. IEEE Access, 8, 172808–172828. https://doi.org/10.1109/ACCESS.2020.3025315
- Udomwannakhet, J., Vajarodaya, P., Manicho, S., Kaewfak, K., Ruiz, J. B., & Ammarapala, V. (2018). A review of multimodal transportation optimization model. 5th International Conference on Business and Industrial Research (ICBIR), https://doi.org/10.1109/ICBIR.2018.8391217
- Zhang, H., Huang, Q., Ma, L., & Zhang, Z. (2024). Sparrow search algorithm with adaptive t distribution for multi-objective low-carbon multimodal transportation planning problem with fuzzy demand and fuzzy time. Expert Systems with Applications, 238, 122042. https://doi.org/10.1016/j.eswa.2023.122042
- Zhang, X., Jin, F.-Y., Yuan, X.-M., & Zhang, H.-Y. (2021). Low-carbon multimodal transportation path optimization under dual uncertainty of demand and time. Sustainability, 13(15), 8180. https://doi.org/10.3390/su13158180
- Zhu, C., & Zhu, X. (2022). Multi-objective path-decision model of multimodal transport considering uncertain conditions and carbon emission policies. Symmetry, 14(2), 221. https://doi.org/10.3390/sym14020221
- Zhu, W., Wang, H., & Zhang, X. (2021). Synergy evaluation model of container multimodal transport based on BP neural network. Neural Computing and Applications, 33(9), 4087–4095. https://doi.org/10.1007/s00521-020-05584-1
|
