1. اجلی، مهدی (1402). ارزیابی و رتبه‌بندی تأمین‌کنندگان در زنجیره تأمین پایدار با فن واس‌پاس. علمی اندیشه آماد. 22 (86). 179-207. doi: 10.22034/lot.2023.1272331.1262
2. اجلی، مهدی و رحمانی، محمد (1396). به‌کارگیری رویکرد ترکیبی (FAHP-QUALIFLEX) برای رتبه‌بندی تأمین‌کنندگان صنعت ابزارسازی. علمی اندیشه آماد. 16 (62). 93-108.
3. اجلی، مهدی؛ زینتی، بابک؛ صابری فرد، نیما (1401). رتبه‌بندی تأمین‌کنندگان ناب با تکنیک ارزیابی نسبت افزودنی (مطالعه موردی: صنعت خودروسازی)، نشریه علمی اندیشه آماد. 21 (81). 71-94. doi: 10.22034/lot.2022.1266439.1171
4. اجلی، مهدی؛ عظیمی، حسین (1402). طراحی مدل پیاده‌سازی نظام آراستگی 5S در صنعت روی با ترکیب سوارا، دلفی و مورا، مدیریت استاندارد و کیفیت، سال ششم، شماره 4، پیاپی 21، 33-64.
5. حسین‌پور، برانوش؛ رضایی نور، جلال؛ عموزادخلیلی، حسین (1401). ارائه چارچوبی برای کاربردهای یادگیری ماشین در مدیریت دانش سازمانی. علوم و فنون مدیریت اطلاعات، 8 (3)، 55-80.
6. شفیعی نیک‌آبادی، محسن؛ شفیعی نیک‌آبادی، محسن؛ عظیمی، سید علی (1394). پیش‌بینی تقاضا در زنجیره تأمین با استفاده از الگوریتم‌های یادگیری ماشین (مورد مطالعه: زنجیره تأمین شرکت ایران خودرو)، مدل‌سازی در مهندسی، 13 (41)، 127-136.
7. نورائی آباده، مریم؛ بهادری، سندس؛ میرزایی، منصوره؛ ابراهیمی، نرگس (1403). ارائه رویکردی کمی برای ارزیابی اولویت‌ها در زنجیره تأمین هوشمند با استفاده از پیش‌بینی داده‌گرا: مطالعه موردی در دو صنعت پرکاربرد، چشم‌انداز مدیریت صنعتی، 14 (3)، 169-188.
8. Ahmed M. Khedr, Sheeja Rani S., (2024). Enhancing supply chain management with deep learning and machine learning techniques: A review, Journal of Open Innovation: Technology, Market, and Complexity, Volume 10, Issue 4, https://doi.org/10.1016/j.joitmc.2024.100379.
9. Ajalli, M. (2024a). A Fuzzy Delphi-BWM-TOPSIS Hybrid Approach to Assessment Suppliers Resilience. Journal of Industrial Engineering and Management Studies, 11(1), 181-195. doi: 10.22116/jiems.2024.472125.1571.
10. Ajalli, M. (2024b). Conceptual modeling of determining factors in the assessment of sustainability and resilience of the supply chain: a study of rubber industry suppliers in Iran. J Rubber Res 27, 259–274. https://doi.org/10.1007/s42464-024-00257-3.
11. Akbari, M. and Do, T.N.A. (2021), "A systematic review of machine learning in logistics and supply chain management: current trends and future directions", Benchmarking: An International Journal, Vol. 28 No. 10, pp. 2977-3005. https://doi.org/10.1108/BIJ-10-2020-0514
12. Babaee Tirkolaee, E., Sadeghi, S., & Mansoori Mooseloo, F., & Rezaei Vandchali, H., Aeini, S., (2021). Application of Machine Learning in Supply Chain Management: A Comprehensive Overview of the Main Areas, Mathematical Problems in Engineering, Hindawi, vol. 2021, pages 1-14, June.
13. Bowles, M. (2015). Machine Learning in Python: Essential Techniques for Predictive Analysis, John Wiley and Sons, Hoboken, NJ, USA.
14. Brauers, W.K.M. and Zavadskas E.K. (2006). The MOORA Method and Its Applications to Privatization in a Transition Economy. Control and Cybernetics, 35, 445-469.
15. Chakraborty, S. (2011). Applications of the MOORA method for decision making in manufacturing environment. Int J Adv Manuf Technol 54, 1155–1166. https://doi.org/10.1007/s00170-010-2972-0.
16. Dey, A. (2016). Machine learning algorithms: a review,” International Journal of Computer Science and Information Technologies, vol. 7, no. 3, pp. 1174–1179.
17. Gardas, R., Narwane, S. (2024). An analysis of critical factors for adopting machine learning in manufacturing supply chains, Decision Analytics Journal, Volume 10, https://doi.org/10.1016/j.dajour.2023.100377.
18. Kuo, R. J., and Li, P. S. (2016). Taiwanese export trade forecasting using firefly algorithm based K-means algorithm and SVR with wavelet transform. Computers & Industrial Engineering, Vol.99, pp. 153-161.
19. Mahraz, M., Benabbou, L., & Berrado, A. (2022). Machine Learning in Supply Chain Management: A Systematic Literature Review. International Journal of Supply and Operations Management, 9(4), 398-416. doi: 10.22034/ijsom.2021.109189.2279.
20. Makkar, S., Devi, N., Kumar Solanki, V. (2020). Applications of Machine Learning Techniques in Supply Chain Optimization, In book: ICICCT 2019 – System Reliability, Quality Control, Safety, Maintenance and Management, DOI: 10.1007/978-981-13-8461-5_98.
21. Ni, D., Xiao, Z. & Lim, M.K. (2020). A systematic review of the research trends of machine learning in supply chain management. Int. J. Mach. Learn. & Cyber. 11, 1463–1482. https://doi.org/10.1007/s13042-019-01050-0.
22. Singh, R., Kumar Pathak, V., Kumar, R., Dikshit, M., Aherwar, A., Singh, V., Singh, T. (2024). A historical review and analysis on MOORA and its fuzzy extensions for different applications, Heliyon, Volume 10, Issue 3, https://doi.org/10.1016/j.heliyon.2024.e25453.
23. Thejasree, P., Manikandan, N., Vimal, K.E.K., Sivakumar, K., Krishnamachary, P.C. (2024). Applications of Machine Learning in Supply Chain Management—A Review. In: Vimal, K.E.K., Rajak, S., Kumar, V., Mor, R.S., Assayed, A. (eds) Industry 4.0 Technologies: Sustainable Manufacturing Supply Chains. Environmental Footprints and Eco-design of Products and Processes. Springer, Singapore. https://doi.org/10.1007/978-981-99-4819-2_6.
24. Zhou,L.,Pan,S.,Wang,J.,and Vasilakos, A.V. (2017). Machine learning on big data: Opportunities and challenges. Neurocomputing, Vol. 237, pp. 350–361.
