ЛОГИСТИКА

УДК 658.286.2-52:658.78 https://doi.org/10.18503/2222-9396-2019-9-1-4-20

МНОГОКРИТЕРИАЛЬНАЯ МОДЕЛЬ ОЦЕНКИ И ВЫБОРА
АВТОМАТИЧЕСКИ УПРАВЛЯЕМЫХ ТРАНСПОРТНЫХ
СРЕДСТВ (AGV) ДЛЯ СКЛАДОВ
Стойчич Мирко1, Стевич Желько1, Николич Андрей1, Божичкович Здравко1
1
Восточно-Сараевский университет, Факультет транспорта и организации перевозок, г. Добой, Босния и Герцеговина

Аннотация
Для повышения эффективности транспортировки и складирования грузов в настоящее время используется комплекс
транспортных и погрузочно-разгрузочных средств и устройств. Ключевую роль в автоматизации складов играет особый вид
транспортных средств – автоматически управляемые транспортные средства (AGV – Automatic Guided Vehicles). Основными
преимуществами использования AGV являются: снижение затрат на оплату труда складских рабочих; повышение надёжно-
сти, безопасности и производительности погрузочно-разгрузочных и транспортно-складских работ; повышение сохранности
грузов; возможность автоматизации управления работой всего транспортно-складского комплекса. Решать задачу выбора мо-
дели AGV авторами предлагается с использованием разработанной и представленной в статье гибридной FUCOM-EDAS мо-
дели. Методом FUCOM (Full Consistency Method – метод полной согласованности) производится расчёт значений весовых
коэффициентов альтернатив, а методом EDAS (The Evaluation based on Distance from Average Solution – оценка отклонения от
среднего решения) – выбор наилучшей альтернативы. Представлен пример выбора AGV из девяти моделей по семи крите-
риям. Оценка чувствительности полученных результатов и разработанной модели производилась методами WASPAS
(Weighted Aggregated Sum Product Assessment – метод совокупной взвешенной суммы), SAW (Simple Additive Weighting –
метод простого аддитивного взвешивания), MABAC (Multi-Attributive Border Approximation Area Comparison – метод сравне-
ния многокритериальных разграниченных областей) и ARAS (Additive Ratio Assessment – метод оценки аддитивного отноше-
ния). Для двух из рассмотренных альтернатив были получены одинаковые результаты для всех четырёх методов оценки
устойчивости. Показана методики выбора приоритетной альтернативы (альтернатива A5 в представленном примере).

Ключевые слова: автоматически-управляемые транспортные средства, AGV, FUCOM, EDAS, транспортные и погрузочно-
разгрузочные средства, WASPAS, SAW, MABAC, ARAS.

на складах является экономия затрат трудовых и мате-

1. Введение*
Активное развитие логистики в настоящее время
связано с широким распространением информаци-
онно-коммуникационных технологий, в частности, для
автоматической идентификации грузов, отслеживания
транспортных средств с использованием навигацион-
ных система, автоматического управления транспорт-
ными средствами и т.д. Одной из областей, в которых
ярко проявляются эти тенденции, является транс-
портно-складская система. Современные технологии
позволяют полностью автоматизировать работу скла-
дов, включая процессы получения, отправки, размеще-
ния, внутренней транспортировки, упаковки, грузов.
Для выполнения погрузочно-разгрузочных и
транспортно-складских работ используется широкий
комплекс средств и устройств. Укрупнённо этот ком-
плекс подразделяется на четыре категории: устройства
для хранения грузов (полки, стеллажи, штабели); авто-
матизированные системы (системы размещения и по-
иска грузов, конвейеры, роботизированные системы
перемещения грузов, автоматически управляемые
транспортные средства); погрузчики; оборудование
для навалочных грузов (бункеры, элеваторы, конвей-
еры) [1].
Основными целями применения новых технологий
риальных ресурсов, что способствует снижению цены
конечного продукта [2]. Выбор оборудования для вы-
полнения погрузочно-разгрузочных работ является
сложной задачей, поскольку необходимо учитывать
множество ограничений, противоречивых критериев,
фактор неопределённости, а также производить выбор
из большого количества конкретных моделей оборудо-
вания [3].
Существуют различные методы выбора оптималь-
ного состава оборудования, большинство из которых
основано на так называемых методах многокритери-
ального принятия решений (multi-criteria decision-mak-
ing) и методах нечёткой логики (fuzzy logic) [4,5]. В ра-
боте [6] была разработана экспертная система для вы-
бора оптимального оборудования для внутрисклад-
ских перевозок. Способ комбинирования методов не-
чётких множеств, аналитической иерархии (МАИ) с
методом PROMETHEE представлен в работе [7]. МАИ
позволяет создавать многоуровневую структуру крите-
риев выбора [8]. Интеграция МАИ и экспертных си-
стем предложена в работе [9], в которой представлена
система MHESA (Material Handling Equipment Selection
Advisor – экспертная система по выбору оборудования
для погрузочно-разгрузочных работ). Гибридный ме-

 Стойчич М., Стевич Ж., Николич А., Божичкович З., 2019.

4 https://transcience.ru ———————— Современные проблемы транспортного комплекса России. 2019. Т.9. №1

Многокритериальная модель оценки и выбора автоматически …
тод, основанный на комбинировании экспертной си-
стемы с методами нечёткой логики и генетическими
алгоритмами, представлен в [10].
Ключевую роль в автоматизации складов играет
особый вид транспортных средств – автоматически
управляемые транспортные средства (AGV – Auto-
matic Guided Vehicles). Основными преимуществами
использования AGV являются: снижение затрат на
оплату труда складских рабочих; повышение надёжно-
сти, безопасности и производительности погрузочно-
разгрузочных и транспортно-складских работ; повы-
шение сохранности грузов; возможность автоматиза-
ции управления работой всего транспортно-склад-
ского комплекса.
В настоящей статье представлена методика оценки
и выбора AGV для складов на основе использования
гибридной FUCOM-EDAS модели. Насколько нам из-
вестно, в настоящее время отсутствуют исследования
в области комбинирования методов FUCOM (Full Con-
sistency Method – метод полной согласованности) и
EDAS (The Evaluation based on Distance from Average
Solution – оценка отклонения от среднего решения) для
решения задачи оценки и выбора AGV для складов.
Материал статьи организован следующим обра-
зом. Во втором разделе представлено подробное опи-
сание используемых в работе методов. Показано, что
метод FUCOM используется для расчёта весовых ко-
эффициентов критериев, а метод EDAS – для опреде-
ления наилучшего решения. В третьем разделе анали-
зируются типы AGV, а также приводится описание их
основных функций. Четвёртый раздел содержит описа-
ние разработанной методики выбора AGV и пример её
применения для девяти альтернатив – конкретных мо-
делей AGV. Выбор осуществлялся по семи критериям,
которые наиболее часто используются на практике при
выборе этих транспортных средств. В пятом разделе
представлены результаты анализа чувствительности
полученных результатов с использованием методов
WASPAS (Weighted Aggregated Sum Product Assess-
ment – метод совокупной взвешенной суммы), SAW
(Simple Additive Weighting - метод простого аддитив-
ного взвешивания), MABAC (Multi-Attributive Border
Approximation Area Comparison – метод сравнения
мультикритериальных разграниченных областей) и
ARAS (Additive Ratio Assessment – метод оценки адди-
тивного отношения). В заключении представлены вы-
воды о достоинствах представленного комбинирован-
ного метода.
2. Методы исследования
Применение многокритериальных методов приня-
тия решений позволяет выбирать рациональные стра-
тегии, оптимизировать логистические и транспортные
процессы, обосновывать разнообразные управленче-
ские решения. Примеры использования различных
многокритериальных методов для решения разнооб-
разных задач в области производства, транспорта, ло-
гистики, информационных технологий и т.д. представ-
лены в работах [11–16].
В настоящей статье представлена комбинация
http://transience.org -————————————————— Modern Problems of Russian Transport Complex. 2019, vol. 9, no.1
Стойчич М., Стевич Ж., Николич А., Божичкович З.
двух методов: метод FUCOM используется для расчёта
весовых коэффициентов критериев; метод EDAS – для
выбора наилучшего из потенциальных решений. Для
оценки чувствительности полученных результатов и
разработанной модели использованы методы
WASPAS, SAW, MABAC и ARAS.
2.1 Метод FUCOM
Метод FUCOM был разработан Pamučar, Stević и
Sremac [17] для определения весов критериев. По мне-
нию авторов, этот метод превосходит метод аналити-
ческой иерархии (МАИ) и метод BWM (Best Worst
Method – «лучший худший способ»). FUCOM предо-
ставляет возможность проверить модель, рассчитав
размер ошибки для полученных векторов веса крите-
риев, определив степень согласованности. В моделях
BWM [18] и МАИ [19] при определении весов крите-
риев имеется избыточность из-за парного сравнения.
Такая избыточность не позволяет адекватно отразить
ошибки в суждениях экспертов. Процедура метода
FUCOM устраняет эту проблему. Данная процедура
получения весовых коэффициентов критериев вклю-
чает в себя следующие этапы.
Этап 1. Ранжирование предварительно отобран-
ных критериев С = {C1, C2, …, Cn}. Ранжирование вы-
полняется в соответствии со значимостью критериев,
начиная с критерия, который, как ожидается, будет
иметь самый высокий весовой коэффициент, до крите-
рия наименьшей значимости
C j (1) > C j (2) > ... > C j ( k ) . (1)
Этап 2. Сравнение ранжированных критериев и
определение сравнительного приоритета (φk/(k+1), k=1,2
…, n, где k – ранг критериев) критериев оценки
(
Φ = ϕ1/ 2 , ϕ 2/3 ,..., ϕ k /( k +1) . )
(2)
Этап 3. Вычисление окончательных значений весо-
вых коэффициентов критериев оценки (w1, w2,…, wn)T.
Эти значения должны удовлетворять следующим двум
условиям:
а) соотношение весовых коэффициентов должно
быть равно сравнительному приоритету критериев
φk/(k+1), определённых этапе 2, то есть выполняется сле-
дующее условие
wk
= ϕ k /( k +1) ; (3)
wk +1
б) окончательные значения весовых коэффициен-
тов должны удовлетворять условию математической
транзитивности, то есть φk/(k+1)  φ(k+1)/(k+2) = φk/(k+2). С
учётом выражения (3) и φ(k+1)/(k+2) = w(k+1)/w(k+2) полу-
чаем
wk w wk
⊗ k +1 = .
wk +1 wk + 2 wk + 2
Таким образом, получаем другое условие, кото-
рому должны удовлетворять конечные значения весо-
вых коэффициентов критериев оценки
wk
= ϕk /( k +1) ⊗ ϕ( k +1)/( k + 2) . (4)
wk + 2
5
ЛОГИСТИКА

Окончательно модель определения значений весо- Для критериев «выгода» элементы матриц (9, 10)
вых коэффициентов критериев оценки запишется сле- рассчитываются по формулам
дующим образом
min χ , PDAij =
(
max 0, ( X ij − AV j ) ), (11)
AV j
при условиях :
w j (k ) NDAij =
(
max 0, ( AV j − X ij ) ), (12)
− ϕk /( k +1) =∀
χ , j, AV j
w j ( k +1)
а для критерия «затраты» по формулам
w j (k )
− ϕk /( k +1) ⊗ ϕ( k +1)/( k + 2) =
χ , ∀j ,
(5)
PDAij =
(
max 0, ( AV j − X ij ) ), (13)
w j ( k + 2) AV j
n

∑ w= j 1, ∀j , NDAij =
(
max 0, ( X ij − AV j ) ), (14)
j =1 AV j
w j ≥ 0, ∀j. где PDAij и NDAij – соответственно, положительное и
В результате решения модели (5) получаются зна- отрицательное расстояние i-й альтернативы от сред-
чения критериев оценки (w1, w2,…, wn)T и величины от- него значения j-го критерия.
клонения от полной согласованности ( χ ) полученных Этап 5. Расчёт взвешенных значений PDA и NDA
результатов. для всех альтернатив по формулам
j =m
2.2 Метод EDAS SPi = ∑ w j PDAij , (15)
j =1
Метод EDAS был разработан Keshavarz Ghorabaee j =m
и др. [20] и применялся для решения задачи многокри- SN i = ∑ w j NDAij , (16)
териальной классификации запасов. Метод состоит из j =1
следующих этапов. где wj – вес j-го критерия.
Этап 1: Выбор наиболее важных критериев, кото- Этап 6. Нормализация значений SP и SN для всех
рые описывают альтернативы. альтернатив согласно следующим выражениям
Этап 2: Формирование исходной матрицы приня-
тия решений SPi
NSPi = , (17)
 х11 х12  х1m  max i ( SPi )
х SN i
 21 х22  х2 m  NSN i = 1 − . (18)
max i ( SN i )
=X =
хij   х31 х32  х3m  , (6) Этап 7. Расчёт балльных оценок (AS – the Appraisal
nm
  Score) для всех альтернатив по формуле
   
1
 хn1 хn 2  хnm  ASi
= ( NSPi + NSNi ) , (19)
где хij – значение i-й альтернативы согласно j-му кри-
2
где 0 ≤ ASi ≤ 1.
терию.
Этап 8. Ранжирование альтернатив в порядке
Этап 3: Расчёт средних значений критериев
уменьшения значений оценочного балла (AS). Альтер-
AV =  AV j  , (7) натива с самым высоким значением AS является луч-
1m
где шим выбором среди потенциальных альтернатив.
i =n 3. Автоматически управляемые транспортные
∑X ij средства
AV j = i =1
. (8) К автоматически управляемым транспортным
n
Этап 4. Расчёт значений элементов матрицы поло- средствам часто относят грузовые транспортные сред-
жительных расстояний от среднего (PDA – the Positive ства с автономным приводом, имеющие собственный
Distance from Average) и отрицательных расстояний от источник энергии и оборудованные грузозахватными
среднего (NDA – the Negative Distance from Average) в устройствами. Согласно другим определениям, транс-
зависимости от цели критериев (выгода или затраты) портными средствами с автоматическим управлением,
согласно следующим формулам: обозначаемые аббревиатурой AGV, являются беспи-
лотные наземные транспортные средства с компьютер-
PDA =  PDAij  , (9) ным управлением и, чаще всего, с электрическим пи-
nm
танием от батарей. Важно подчеркнуть, что эти транс-
NDA =  NDAij  . (10)
nm

6 https://transcience.ru ———————— Современные проблемы транспортного комплекса России. 2019. Т.9. №1

Многокритериальная модель оценки и выбора автоматически …
портные средства не имеют водителей, то есть они мо-
гут функционировать без операторов. Эффективность
применения таких средств обычно обосновывается
возможностью сокращения до 75% затрат на заработ-
ную плату по сравнению с неавтоматизированными
процессами.
Начало использования транспортных средств с ав-
томатическим управлением связано с достижением
американской компании Barrett Vehicle Systems, кото-
рая в 1954 году впервые смогла автоматизировать
авто-буксировщик, движение которого регулирова-
лось механически проводом, расположенным над
транспортным средством. В последующем разработки
в этой области осуществлялись в Германии компани-
ями Jungheinrich и Wagner (1963 год). С 1970 года ав-
томатически управляемые транспортные средства ис-
пользуются в больницах [21].
Системы AGV включают в себя транспортные
средства, систему управления и дополнительное обо-
рудование. Современные наземные транспортные
средства управляются встроенными в них микропро-
цессорами. В большинстве случаев работа AGV коор-
динируется системой управления, которая решает раз-
личные задачи координации и оптимизации: распреде-
ляет заказы на перевозку; отслеживает транспортные
средства и перевозимые ими грузы; регулирует потоки
автоматически управляемых транспортных средств на
складах в соответствии с различными приоритетами
[22].
3.1 Типы автоматически управляемых
транспортных средств
Системы AGV обеспечивают высокую степень
гибкости и автоматизации при транспортировке гру-
зов, зачастую не требуют внесения существенных из-
менений в конструкцию существующих погрузочно-
разгрузочных и транспортных средств. Грузоподъём-
ность AGV варьируется от 1 кг до 100 т. По этому при-
знаку мы различаем следующие типы AGV:
• тягачи (towing vehicles);
• транспортёры штучных грузов (unit load vehicles);
• тележки (pallet trucks);
• вилочные погрузчики (forklift trucks);
• транспортные средства специального назначения
(special-purpose vehicles).
Тягачи были первыми автоматизированными
транспортными средствами и остаются самыми попу-
лярным типом AGV в настоящее время. Они имеют
грузоподъёмность от 4 до 25 т и могут транспортиро-
вать несколько прицепов. Тягачи обычно применяются
для обеспечения внешних перевозок склада, а также
для работы в зоне погрузки и выгрузки грузов.
Транспортёры штучных грузов – тип транспорт-
ного средства для перевозки грузов на платформе, ко-
торая обеспечивает как подъем груза, так и его гори-
зонтальное перемещение на ней для погрузки или вы-
грузки конвейерами различного типа. Транспортёры
используются для транспортировки на короткие рас-
стояния и обеспечивают высокую скорость грузопо-
http://transience.org -————————————————— Modern Problems of Russian Transport Complex. 2019, vol. 9, no.1
Стойчич М., Стевич Ж., Николич А., Божичкович З.
тока. Благодаря возможности автоматического под-
ключения к конвейерам, автоматизированным систе-
мам хранения и поиска грузов (AS/RS – Automated
Storage and Retrieval System) они часто интегрируются
в существующие системы автоматизации складов или
производственных линий.
Автоматические тележки предназначены для
транспортировки грузов на поддонах, как правило, на
небольшие расстояния внутри склада. Перемещение
поддона происходит путём его подъёма не небольшую
высоту над уровнем пола. Загрузка тележек может осу-
ществляться двумя способами – автоматически, с ис-
пользованием средств позиционирования груза на те-
лежке или вручную.
Вилочные погрузчики с автоматическим управле-
нием являются новейшим типом AGV. По внешнему
виду и функциям они похожи на традиционные вилоч-
ные погрузчики. В дополнение к транспортировке по-
грузчики обеспечивают подъем пакетированных гру-
зов на большую, по сравнению с тележками, высоту.
Это делает пригодным использование погрузчиков в
складских системах, где требуется полная автоматиза-
ция и большая гибкость в соединении с другими авто-
матизированными подсистемами. Новейшая тенден-
ция развития автоматически управляемых вилочных
погрузчиков заключается в полной автоматизации опе-
раций транспортирования, размещения грузов на
складе, а также погрузки и выгрузки грузов с внешнего
транспорта.
Транспортные средства специального назначения
с автоматическим управлением – это автомобили для
перевозки тяжеловесных (весом до 65 тонн) и негаба-
ритных грузов.
3.2 Основные функции автоматически
управляемых транспортных средств
Для того чтобы системы автоматически управляе-
мых транспортных средств функционировали на
складе, где они установлены, и без труда выполняли
свои задачи, важно, чтобы они имели возможность вы-
полнять несколько основных функций, таких как:
• навигация (guidance);
• маршрутизация (routing);
• управление потоком транспортных средств (traffic
management);
• перегрузка (load transfer);
• управление системой AGV (system management).
Навигация AGV может осуществляться на основе
двух принципов – «заданная траектория» и «свободное
движение». Движение по заданной траектории может
осуществляться с использованием механических, ин-
дуктивных и оптических устройств. Обеспечение дви-
жения AGV по произвольной траектории осуществля-
ется с использованием лазерного наведения.
Функция маршрутизации AGV обеспечивает дви-
жение транспортных средств по оптимальному марш-
руту по всей территории склада. Функция маршрути-
зации реализуется двумя методами. Первый «метод
выбора частоты» (frequency selection method) предпо-
7
ЛОГИСТИКА

лагает следование транспортного средства по марш- горизонтально-вертикального перемещения грузов.

руту, задаваемому сигналом определённой частоты. Управление системой AGV обеспечивает диспет-
Различные маршруты движения по складу формиру- черизацию транспортных средств, а также мониторинг
ются сигналами разных генераторов. Второй метод – функционирования всей системы.
«метод выбора с переключением» (selection method
with a switch) основан на периодическом включении 4. Выбор автоматически управляемых
или выключении сигналов, определяющих различные транспортных средств
маршруты движения. Для выбора AGV в исследовании использовались
Управление потоком транспортных средств – это два метода: метод FUCOM для определения весовых
функция системы AGV, обеспечивающая движение коэффициентов критериев оценки и метод EDAS для
транспортных средств без столкновений, особенно в определения наилучшего решения. Выбор осуществ-
условиях увеличения плотности транспортного по- лялся среди девяти альтернатив (девяти моделей AGV)
тока. Существует три типа управления потоком транс- с использованием семи критериев.
портных средств: «контроль зоны» (zone control) – кон-
тролируемая территория разбивается на фиксирован- 4.1 Разработка многокритериальной модели
ные зоны, в каждой из которых может находиться не В расчётном примере покупатель AGV оценивает
более одного транспортного средства; сенсорный кон- ограниченный набор альтернатив, используя следую-
троль (sensor control) – транспортные средства обору- щие семь критериев: C1 – размеры; C2 – минимальная
дуются датчиками столкновения; комбинаторный кон- высота подъёма; C3 – цена; C4 – грузоподъёмность; C5
троль (combinatorial control) – комбинация контроля – ёмкость аккумуляторной батареи; C6 – максимальная
первых двух типов. высота подъёма; C7 – скорость. В табл. 1 представлен
Перегрузка в системе AGV может производиться перечень моделей выбираемых вилочных погрузчиков
вручную, путём автоматического соединения (разъ- и значения критериев для каждой модели.
единения) с другими погрузочно-разгрузочными сред-
ствами и устройствами, а также с использованием
средств и устройств горизонтального, вертикального и
Таблица 1
Исходная матрица принятия решений
Критерии
Альтернативы
C1, мм C2, мм C3, $ C4, кг C5, А∙ч C6, мм C7, км/ч
A1 AGV OKDD16 1480x896x825 85 90000 1600 240 3000 5
A2 AGV OKDD16-III 1480x896x825 85 90000 1600 240 4500 5
A3 AGV OKDD20 1480x896x825 85 90000 2000 260 2500 5
A4 EFORK CDD10-25 2120x850x1830 80 75000 1000 210 2050 5.8
A5 OKAVGV OK-FDuX-JX-II 1480x896x825 85 90000 2500 240 2050 5
A6 AMA MLF1500AGV 1975x796x3493 100 65000 1500 240 3900 5.8
A7 EFORK YF-JG01 1098 2500x1100x2500 80 110000 2000 210 3000 5.8
A8 HICTRL HAS16 2125x1160x2450 80 85000 1600 240 3000 3
A9 HICTRL HAR18 2455x2630x2100 80 85000 1800 315 3000 3

критериев ( ϖ C j ( k ) ) для всех рассматриваемых крите-

4.2 Расчёт веса критериев с использованием
метода FUCOM риев (табл. 2).
Таблица 2
Расчёт веса методом FUCOM в примере произво-
Приоритеты критериев
дится для семи критериев: C1 – размеры (min); C2 –
Критерии
минимальная высота подъёма (min); C3 – цена (min); Приоритет
C4 – грузоподъёмность (max); C5 – ёмкость аккумуля- C4 C7 C1 C3 C6 C5 C2
тора (max); C6 – максимальная высота подъёма (max); ϖC j(k )
1 1 1.5 1.9 2.6 2.9 3.1
C7 – скорость (max). Первые три критерия относятся к
типу критериев «затраты», а остальные четыре – «вы- На основании полученных приоритетов критериев
года». рассчитываются сравнительные приоритеты крите-
Этап 1. Лица, принимающие решения, проводят риев φc4/c7 = 1/1 = 1, φc7/c1 = 1.5/1 = 1.5, φc1/c3 = 1.9/1.5 =
ранжирование критериев на основе консенсуса: C4 = 1.27, φc3/c6 = 2.6/1.9 = 1.37, φc6/c5 = 2.9/2.6 = 1.11, φc5/c2 =
C7 > C1 > C3 > C6 > C5 > C2. 3.1/2.9 = 1.07.
Этап 2. Попарное сравнение лицами, принимаю- Этап 3. Проверка окончательных значений весо-
щими решения, критериев, проранжированных на пер- вых коэффициентов условиям (3) и (4).
вом этапе. Сравнение проводится с критерием C4, име- Для условия (3): w4/w7 = 1, w7/w1 = 1.5, w1/w3 = 1.27,
ющим наивысший ранг. Для сравнения используется w3/w6 = 1.37, w6/w5 = 1.11, w5/w2 = 1.07.
шакала [1,9]. В результате определяются приоритеты Для условия (4): w4/w1 = 1∙1.5 = 1.5, w7/w3 = 1.5∙1.27

8 https://transcience.ru ———————— Современные проблемы транспортного комплекса России. 2019. Т.9. №1

Многокритериальная модель оценки и выбора автоматически … Стойчич М., Стевич Ж., Николич А., Божичкович З.

= 1.91, w1/w6 = 1.27∙1.37 = 1.74, w3/w5 = 1.37∙1.11 = 1.52, нием 0.236. После них следует первый критерий (раз-
w6/w2 = 1.11∙1.07 = 1.19. меры) со значением 0.157. За ними следуют третий
С учётом выражения (5) получаем модель опре- (цена) – 0.124, шестой (максимальная высота подъёма)
деления значений весовых коэффициентов критериев – 0.091, пятый (ёмкость аккумуляторной батареи) –
оценки 0.081 и второй (минимальная высота подъёма) – 0.076
min χ , критерии.
 w4 w7 w1 4.3 Оценка и ранжирование альтернатив
 = −1 χ , −=1.5 χ , = χ,
− 1.27
 w7 w1 w3 с использованием метода EDAS
 Метод EDAS позволяет определить наилучшее ре-
 w3 − 1.37 = χ , w6 − 1.11 = χ , w5 − 1.07 = χ ,
 w6 w5 w2 шение проблемы.
 Этап 1. На первом этапе выбираются наиболее
 w4 w w1 важные критерии оценки альтернативных решений.
 − 1.5= χ , 7 − 1.91= χ , − 1.74= χ ,
 1w w 3 w6 Для рассматриваемого примера эти критерии такие же,
 как и при использовании метода FUCOM: C1 – раз-
 w3 − 1.52 = χ w6 − 1.19 = χ , меры; C2 – минимальная высота подъёма; C3 – цена;
 w5 w2
 7 C4 – грузоподъёмность; C5 – ёмкость аккумуляторной
 w= 1, w ≥ 0, ∀j. батареи; C6 – максимальная высота подъёма; C7 – ско-
∑ j j
рость.
 j =1
Этап 2. Построение исходной матрицы принятия
В результате решения данной модели получаем решений согласно выражению (6). В табл. 3 представ-
значения весовых коэффициентов: w1 = 0.157, w2 = лена исходная матрица принятия решений для альтер-
0.076, w3 = 0.124, w4 = 0.236, w5 = 0.081, w6 = 0.091, w7 натив (табл. 1).
= 0.236, а значение величины отклонения от полной со-
Этап 3. Расчёт средних значений критериев по
гласованности (Deviation from Full Consistency – DFC)
формулам (7, 8). Результаты расчёта представлены в
результатов составляет χ = 0.0013 или 13%. Получен- табл. 4.
ное значений DFC свидетельствует об объективности Этап 4. Расчёт положительных (PDA) и отрица-
полученных результатов, что позволяет сделать вывод тельных (NDA) расстояний значений матрицы (табл. 4)
о применимости метода FUCOM для решения рассмат- от средних значений, в соответствии с целями крите-
риваемой задачи. риев по формулам (9-14). Результаты расчётов пред-
Кроме того, метод FUCOM, на основании значе- ставлены в табл. 5 и 6.
ний веса критериев, позволяет сделать вывод о важно- Этап 5. Расчёт значений взвешенных сумм PDA и
сти этих критериев. В представленном примере наибо- NDA для всех альтернатив по формулам (15, 16). Ре-
лее важными критериями являются четвёртый (грузо- зультаты расчёта взвешенных матриц PDA и NDA
подъёмность) и седьмой (скорость) критерии со значе- представлены в табл. 7 и 8.

Таблица 3
Исходная матрица принятия решений
Критерии Альтернативы
Цель
A1 A2 A3 A4 A5 A6 A7 A8 A9
C1 1 1 1 3 1 5 7 5 7 MIN
C2 85 85 85 80 85 100 80 80 80 MIN
C3 90000 90000 90000 75000 90000 65000 110000 85000 85000 MIN
C4 1600 1600 2000 1000 2500 1500 2000 1600 1800 MAX
C5 240 240 260 210 240 240 210 240 315 MAX
C6 3000 4500 2500 2500 2050 3900 3000 3000 3000 MAX
C7 5 5 5 5.8 5 5.8 5.8 3 3 MAX

Таблица 4
Средние значения критериев
Критерии Альтернативы
Цель AVj Wj
A1 A2 A3 A4 A5 A6 A7 A8 A9
C1 1 1 1 3 1 5 7 5 7 MIN 0.157
C2 85 85 85 80 85 100 80 80 80 MIN 84.44 0.076
C3 90000 90000 90000 75000 90000 65000 110000 85000 85000 MIN 86666.67 0.124
C4 1600 1600 2000 1000 2500 1500 2000 1600 1800 MAX 1733.33 0.236
C5 240 240 260 210 240 240 210 240 315 MAX 243.89 0.081
C6 3000 4500 2500 2500 2050 3900 3000 3000 3000 MAX 3050.00 0.091
C7 5 5 5 5.8 5 5.8 5.8 3 3 MAX 4.82 0.236

http://transience.org -————————————————— Modern Problems of Russian Transport Complex. 2019, vol. 9, no.1 9
ЛОГИСТИКА

Таблица 5
Положительные расстояния (PDA) значений альтернатив от среднего
Критерии Альтернативы
Wj
A1 A2 A3 A4 A5 A6 A7 A8 A9
C1 0.710 0.710 0.710 0.129 0.710 0.000 0.000 0.000 0.000 0.157
C2 0.000 0.000 0.000 0.053 0.000 0.000 0.053 0.053 0.053 0.076
C3 0.000 0.000 0.000 0.135 0.000 0.250 0.000 0.019 0.019 0.124
C4 0.000 0.000 0.154 0.000 0.442 0.000 0.154 0.000 0.038 0.236
C5 0.000 0.000 0.066 0.000 0.000 0.000 0.000 0.000 0.292 0.081
C6 0.000 0.475 0.000 0.000 0.000 0.279 0.000 0.000 0.000 0.091
C7 0.037 0.037 0.037 0.203 0.037 0.203 0.203 0.000 0.000 0.236

Таблица 6
Отрицательные расстояния (NDA) значений альтернатив от среднего
Критерии Альтернативы
Wj
A1 A2 A3 A4 A5 A6 A7 A8 A9
C1 0.000 0000 0.000 0.000 0.000 0.452 1.032 0.452 1.032 0.157
C2 0.007 0.007 0.007 0.000 0.007 0.184 0.000 0.000 0.000 0.076
C3 0.038 0.038 0.038 0.000 0.038 0.000 0.269 0.000 0.000 0.124
C4 0.077 0.077 0.000 0.423 0.000 0.135 0.000 0.077 0.000 0.236
C5 0.016 0.016 0.000 0.139 0.016 0.016 0.139 0.016 0.000 0.081
C6 0.016 0.000 0.180 0.180 0.328 0.000 0.016 0.016 0.016 0.091
C7 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.378 0.378 0.236

Таблица 7
Матрица взвешенных значений PDA
Критерии Альтернативы
maxi(SPi)
A1 A2 A3 A4 A5 A6 A7 A8 A9
C1 0.111 0.111 0.111 0.020 0.111 0.000 0.000 0.000 0.000
C2 0.000 0.000 0.000 0.004 0.000 0.000 0.004 0.004 0.004
C3 0.000 0.000 0.000 0.017 0.000 0.031 0.000 0.002 0.002
C4 0.000 0.000 0.036 0.000 0.104 0.000 0.036 0.000 0.009
C5 0.000 0.000 0.005 0.000 0.000 0.000 0.000 0.000 0.024
C6 0.000 0.043 0.000 0.000 0.000 0.025 0.000 0.000 0.000
C7 0.009 0.009 0.009 0.048 0.009 0.048 0.048 0.000 0.000
SPi 0.120 0.163 0.162 0.089 0.225 0.104 0.088 0.006 0.039 0.225

Таблица 8
Матрица взвешенных значений NDA
Критерии Альтернативы
maxi(SNi)
A1 A2 A3 A4 A5 A6 A7 A8 A9
C1 0.000 0.000 0.000 0.000 0.000 0.071 0.162 0.071 0.162
C2 0.001 0.001 0.001 0.000 0.001 0.014 0.000 0.000 0.000
C3 0.005 0.005 0.005 0.000 0.005 0.000 0.033 0.000 0.000
C4 0.018 0.018 0.000 0.100 0.000 0.032 0.000 0.018 0.000
C5 0.001 0.001 0.000 0.011 0.001 0.001 0.011 0.001 0.000
C6 0.001 0.000 0.016 0.016 0.030 0.000 0.001 0.001 0.001
C7 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.089 0.089
SNi 0.026 0.025 0.022 0.128 0.036 0.118 0.208 0.181 0.253 0.253

Этап 6. Нормализация значений SP и SN для всех A5 = 0.928; A6 = 0.499; A7 = 0.284; A8 = 0.156; A9 =

альтернатив в соответствии с формулами (17, 18).
Значения, полученные для NSPi: 0.535; 0.728;
0.721; 0.396; 1.000; 0.464; 0.393; 0.028; 0.174.
Значения, полученные для NSNi: 00.896; 0.902;
0.914; 0.495; 0.856; 0.553; 0.176; 0.284; 0.000.
Этап 7. Расчёт бальной оценки (AS) для всех аль-
тернатив по формуле (19). Значения рассчитанных оце-
нок AS: A1 = 0.716; A2 = 0.815; A3 = 0.817; A4 = 0.446;
0.097.
Этап 8. В результате ранжирования альтернатив в
порядке уменьшения значения оценочного балла (AS)
получается следующий приоритет альтернатив: A5 →
A3 → A2 → A1 → A6 → A4 → A7 → A8 → A9. Таким
образом, альтернатива А5, соответствующая погруз-
чику OKAVGV OK-FDuX-JX-II, является лучшим ре-
шением.

10 https://transcience.ru ———————— Современные проблемы транспортного комплекса России. 2019. Т.9. №1

Многокритериальная модель оценки и выбора автоматически … Стойчич М., Стевич Ж., Николич А., Божичкович З.

5. Анализ чувствительности тическими в определённых ситуациях, то есть стать ре-

Реализация представленной процедуры анализа
альтернатив при наличии нескольких критериев позво-
ляет по-новому подходить к принятию решений в раз-
личных областях. Многокритериальный выбор пред-
полагает наличие набора доступных альтернатив и не-
скольких критериев. Каждый критерий выбора харак-
теризуется определённым весом. Интуитивно понятно,
что больший вес подразумевает большую значимость
критерия. Анализ чувствительности результатов мно-
гокритериального выбора позволяет, с другой сто-
роны, взглянуть на проблему принятия решений, вводя
дополнительное условие критичности критериев.
«Критичность» позволяет учитывать влияние измене-
ния значимости критериев на принимаемое решение.
Другими словами, может оказаться, что критерии, ха-
рактеризующиеся малым весом, могут оказаться кри-
шающими в процессе принятия решения. Таким обра-
зом, анализ чувствительности позволяет получить
представление о ситуациях, которые до этого игнори-
ровались, повысит эффективность процесса многокри-
териального выбора, и, в итоге, к принятию наилуч-
шего решения. В этой статье применяются четыре ме-
тода анализа чувствительности: WASPAS (Weighted
Aggregated Sum Product Assessment – метод совокуп-
ной взвешенной суммы) [23]; SAW (Simple Additive
Weighting – метод простого аддитивного взвешивания)
[24]; MABAC (Multi-Attributive Border Approximation
Area Comparison – метод сравнения мультикритери-
альных разграниченных областей) [25]; ARAS
(Additive Ratio Assessment – метод оценки аддитивного
отношения) [26]. Результат ранжирования альтернатив
с использованием перечисленных методов представ-
лен в табл. 9.

Таблица 9
Результаты ранжирования альтернатив с использованием различных методов оценки чувствительности
Методы анализа чувствительности
Альтернативы WASPAS SAW MABAC ARAS
Оценка Ранг Оценка Ранг Оценка Ранг Оценка Ранг
A1 0.789 4 0.795 4 0.078 4 0.796 4
A2 0.819 3 0.825 3 0.134 3 0.829 3
A3 0.823 2 0.828 2 0.138 2 0.830 2
A4 0.641 7 0.671 7 0.017 6 0.639 7
A5 0.851 1 0.861 1 0.184 1 0.864 1
A6 0.694 5 0.734 5 0.070 5 0.702 5
A7 0.661 6 0.711 6 -0.008 7 0.677 6
A8 0.572 9 0.598 9 -0.162 9 0.576 9
A9 0.585 8 0.627 8 -0.125 8 0.603 8

На рис. 1 графически показаны ранги альтернатив
по результатам расчётов каждым из четырёх использу-
емых методов анализа чувствительности. Как видно из
рисунка, лучшим вариантом является альтернатива A5,
следом за ней в рейтинге следует альтернатива A3.
Рис. 1. Результаты анализа чувствительности
гибридной FUCOM-EDAS модели
Из табл. 9 видно, что эти две альтернативы явля-
ются лучшими, поскольку они получили близкие по
значению оценки по всем четырём методам.
Остальные альтернативы имеют более низкие зна-
чения оценок и имеют меньший рейтинг. По результа-
там оценки всеми методами третья, четвёртая и пятая
позиции заняты, соответственно, альтернативами A2,
A1 и A6. Шестую позицию занимают альтернативы A7
по результатам оценки методами WASPAS, SAW и
ARAS и A4 – методом MABAC. Седьмая позиция – A4
(WASPAS, SAW и ARAS) и A7 (MABAC). Восьмая по-
зиция – A9 по всем методам. Последнюю девятую по-
зицию занимает альтернатива А8.
6. Заключение
Складирование как сложная функциональная под-
система логистики предполагает наличие множества
вариантов управленческих решений. Это особенно ак-
туально для ряда стран Восточной и Юго-Восточной
Европы, в частности, для Боснии и Герцеговины, по-
скольку, по сравнению с экономически развитыми За-
падными странами, здесь наблюдается недостаточно
широкое распространение современных технологий. В
статье исследуется проблема повышения уровня авто-
матизации складов на основе выбора оптимальной мо-
дели оптимального автоматически управляемого
транспортного средства – AGV. Использование AGV
позволяет значительно повысить эффективность

http://transience.org -————————————————— Modern Problems of Russian Transport Complex. 2019, vol. 9, no.1 11
ЛОГИСТИКА
складских работ, а, следовательно, и всей цепочки по-
ставок, снизить себестоимость конечной продукции, в
первую очередь, в результате затрат на электроэнер-
гию.
Методы принятия многокритериальных решений
широко применяются для решения различных задач, в
том числе, для оптимизации работы транспортно-
складских систем. Научная новизна настоящего иссле-
дования заключается в разработке гибридной модели
FUCOM-EDAS принятия решения в условиях наличия
множества критериев. Показана эффективность метода
FUCOM для определения весовых коэффициентов
критериев, заключающаяся в объективности и согласо-
ванности получаемых результатов. Ранжирование аль-
тернатив (модели автоматически управляемых вилоч-
ных погрузчиков) осуществлялось с использованием
метода EDAS.
Оценка чувствительности полученных результа-
тов, выполненная четырьмя различными методами, по-
казала адекватность представленного гибридного
FUCOM-EDAS метода.
Список литературы
1. Fanisam M.BN., Dewa B., Ayush M., Yogesh M., Harshal M. Material han-
dling equipment // International Journal of Recent Scientific Research.
2018, vol. 9, no. 2, pp. 24083–24085.
2. Kay M. G. Material Handling Equipment. Available at: https://peo-
ple.engr.ncsu.edu/kay/Material_Handling_Equipment.pdf.
3. Park Y.-B. ICMESE: Intelligent consultant system for material handling
equipment selection and evaluation // Journal of Manufacturing Systems.
1996, vol. 15, no. 5, pp. 325–333. doi: 10.1016/0278-6125(96)84195-1.
4. Onut S., Kara S. S., Mert S. Selecting the suitable material handling equip-
ment in the presence of vagueness // The International Journal of Advanced
Manufacturing Technology. 2009, vol. 44, 7-8, pp. 818–828. doi:
10.1007/s00170-008-1897-3.
5. Kulak O. A decision support system for fuzzy multi-attribute selection of ma-
terial handling equipments // Expert Systems with Applications. 2005, vol.
29, no. 2, pp. 310–319. doi: 10.1016/j.eswa.2005.04.004.
6. Fisher E. L., Farber J. B., Kay M. G. Mathes: An expert system for material
handling equipment selection // Engineering Costs and Production Econom-
ics. 1988, vol. 14, no. 4, pp. 297–310. doi: 10.1016/0167-188X(88)90034-
1.
7. Tuzkaya G., Gülsün B., Kahraman C., Özgen D. An integrated fuzzy multi-
criteria decision making methodology for material handling equipment se-
lection problem and an application // Expert Systems with Applications.
2010, vol. 37, no. 4, pp. 2853–2863. doi: 10.1016/j.eswa.2009.09.004.
8. Chakraborty S., Banik D. Design of a material handling equipment selection
model using analytic hierarchy process // The International Journal of Ad-
vanced Manufacturing Technology. 2006, vol. 28, 11-12, pp. 1237–1245.
doi: 10.1007/s00170-004-2467-y.
9. Chan F.T.S. Design of material handling equipment selection system: an
integration of expert system with analytic hierarchy process approach // In-
tegrated Manufacturing Systems. 2002, vol. 13, no. 1, pp. 58–68. doi:
10.1108/09576060210411512.
10. Mirhosseyni S. H. L., Webb P. A Hybrid Fuzzy Knowledge-Based Expert
Стойчич М., Стевич Ж., Николич А., Божичкович З. Многокритериальная модель оценки и выбора автоматически управляемых
транспортных средств (AGV) для складов // Современные проблемы транспортного комплекса России. 2019. Т.9. №1. С. 4-20
12 https://transcience.ru ———————— Современные проблемы транспортного комплекса России. 2019. Т.9. №1
System and Genetic Algorithm for efficient selection and assignment of Ma-
terial Handling Equipment // Expert Systems with Applications. 2009, vol.
36, no. 9, pp. 11875–11887. doi: 10.1016/j.eswa.2009.04.014.
11. Stević Ž., Pamučar D., Vasiljević M., Stojić G., Korica S. Novel Integrated
Multi-Criteria Model for Supplier Selection: Case Study Construction Com-
pany // Symmetry. 2017, vol. 9, no. 11, p. 279. doi: 10.3390/sym9110279.
12. Vasiljevic M., Fazlollahtabar H., Stević Ž., Vesković S. A rough multicriteria
approach for evaluation of the supplier criteria in automotive industry // De-
cision Making: Applications in Management and Engineering. 2018, vol. 1,
no. 1, pp. 82–96. doi: 10.31181/dmame180182v.
13. Zavadskas E. K., Stević Ž., TANACKOV I., PRENTKOVSKIS O. A Novel
Multicriteria Approach – Rough Step-Wise Weight Assessment Ratio Anal-
ysis Method (R-SWARA) and Its Application in Logistics // Studies in Infor-
matics and Control. 2018, vol. 27, no. 1. doi: 10.24846/v27i1y201810.
14. Radović D., Stević Ž., Pamučar D., Zavadskas E., Badi I., Antuchevičiene
J., Turskis Z. Measuring Performance in Transportation Companies in De-
veloping Countries: A Novel Rough ARAS Model // Symmetry. 2018, vol.
10, no. 10, p. 434. doi: 10.3390/sym10100434.
15. Nunić Z. Evaluation and selection of the PVC carpentry manufacturer using
the FUCOM-MABAC model // Operational Research in Engineering Sci-
ences: Theory and Applications. 2019, vol. 1, no. 1, pp. 13–28. doi:
10.31181/oresta19012010113n.
16. Stanujkić D., Karabašević D. An extension of the WASPAS method for de-
cision-making problems with intuitionistic fuzzy numbers: a case of website
evaluation // Operational Research in Engineering Sciences: Theory and
Applications. 2019, vol. 1, no. 1, pp. 29–39. doi:
10.31181/oresta19012010129s.
17. Pamučar D., Stević Ž., Sremac S. A New Model for Determining Weight
Coefficients of Criteria in MCDM Models: Full Consistency Method
(FUCOM) // Symmetry. 2018, vol. 10, no. 9, p. 393. doi:
10.3390/sym10090393.
18. Rezaei J. Best-worst multi-criteria decision-making method // Omega. 2015,
vol. 53, pp. 49–57. doi: 10.1016/j.omega.2014.11.009.
19. Saaty T. L. The analytic hierarchy process: planning, priority setting, re-
source allocation. New York, London: McGraw-Hill International Book Co.
1980.
20. Keshavarz Ghorabaee M., Zavadskas E. K., Olfat L. Multi-Criteria Inventory
Classification Using a New Method of Evaluation Based on Distance from
Average Solution (EDAS) // Informatica. 2015, vol. 26, no. 3, pp. 435–451.
doi: 10.15388/Informatica.2015.57.
21. Galović J. Sustavi automatski vođenih vozila: Završni Rad [Automatic
Guided Vehicles: Undergraduate thesis]. Zagreb: University of Zagreb.
2015. 80 p.
22. Gudelj А., Krčum M., Coric М. Modelling and multiobjective optimization for
automated guided vehicles at container terminals // 35th Conference on
Transportation Systems with International Participation Automation in trans-
portation. 2015, Zagreb: KoREMA.
23. Zavadskas E. K., Turskis Z., Antucheviciene J. Optimization of Weighted
Aggregated Sum Product Assessment // Electronics and Electrical Engi-
neering. 2012, vol. 122, no. 6. doi: 10.5755/J01.EEE.122.6.1810.
24. MacCrimmon K.R. Decision making among multiple-attribute alternatives: a
survey and consolidated approach. Santa Monica, California: The RAND
Corporation. 1968. 63 p.
25. Pamučar D., Ćirović G. The selection of transport and handling resources
in logistics centers using Multi-Attributive Border Approximation area Com-
parison (MABAC) // Expert Systems with Applications. 2015, vol. 42, no. 6,
pp. 3016–3028. doi: 10.1016/j.eswa.2014.11.057.
26. Zavadskas E. K., Turskis Z. A new additive ratio assessment (ARAS)
method in multicriteria decision‐making // Technological and Economic De-
velopment of Economy. 2010, vol. 16, no. 2, pp. 159–172. doi:
10.3846/tede.2010.10.
Материал поступил в редакцию 19.12.2018
A multi-criteria model for evaluation and selection of AGV’s in a warehouse … Stojčić M., Stević Ž., Nikolić A., Božičković Z.

THE PAPER IN ENGLISH

UDC 658.286.2-52:658.78 https://doi.org/10.18503/2222-9396-2019-9-1-4-20

A MULTI-CRITERIA MODEL FOR EVALUATION AND SELECTION
OF AGV’S IN A WAREHOUSE
Stojčić Mirko1, Stević Željko1, Nikolić Andrej1, Božičković Zdravko1
1
University of East Sarajevo, Faculty of Transport and Traffic Engineering, Doboj, Bosnia and Herzegovina

Abstract
A set of tools, devices, applications aimed at facilitating the handling of material and products in a warehouse, but also between,
for example, a warehouse and a plant, represent Material Handling Equipment. The important type of material handling equipment is
automatic guided vehicles (AGV) which play a key role in warehouse automation. The advantages set by AGVs in the warehouse
automation process are reducing staff costs and labor costs, increased reliability and productivity, reduced damage of goods, improved
security, managing and controlling a complete system, etc. In the paper, a hybrid FUCOM-EDAS model is applied to select an AGV
vehicle. The FUCOM method is used to determine weight coefficients, and EDAS to obtain the best solution. The selection is based
on nine AGV vehicles and seven criteria. To evaluate the stability of the obtained results and the applied model, the assessment and
ranking of alternatives is performed by WASPAS, SAW, MABAC and ARAS methods. Preliminary results show that two alternatives
are best, since the same results were obtained by all four methods, with priority given to the alternative A5.

Keywords: AGVs, FUCOM method, EDAS method, Material Handling Equipment, WASPAS, SAW, MABAC, ARAS.

paper [6], an expert system was developed to select the op-

1. Introduction*
Currently, logistics has been constantly facing new
challenges and changing faster than in any other period of
time. The most obvious change is the increased application
of a new technologies, especially information and commu-
nication technologies. Its application and role are visible
on every step such as electronic identification of packages,
satellite tracking of vehicles, automatic guided vehicles,
etc. One of the areas affected by new logistics trends is a
warehousing subsystem. From the history, warehouses
have faced many changes, i.e. various technologies have
been implemented in warehouses, depending on when each
of them was active. Currently, we are witnessing that ware-
houses could be fully automated. Many technological pro-
cesses in a warehouse have been automated, from receiving
and dispatch, internal transportation, packaging, commis-
sioning, etc. A set of tools, devices, applications aimed at
facilitating the handling of material and products in a ware-
house, but also between, for example, a warehouse and a
plant, represent Material Handling Equipment. The most
general listed equipment consists of four basic categories
such as storage and handling equipment, engineered sys-
tems, industrial trucks, equipment for bulk material han-
dling [1]. The main aim of applying new technologies for
the mentioned purpose is to save in energy and work force,
which also significantly reduce the price of the final prod-
uct [2]. The selection and configuration of equipment for
carrying out material handling tasks is very sophisticated
since there are numerous limitations, opposing criteria, un-
certainty, a wide range of equipment, etc. [3]. There are
various methods for selecting optimal equipment, and most
of them are based on multi-criteria decision-making along
with intelligent solutions such as fuzzy logic [4,5]. In the
timum equipment for delivering the materials within a fac-
tory. In [7] combined fuzzy sets, the Analytic Network Pro-
cess and PROMETHEE method. The AHP method creates
a hierarchical structure by forming levels and sublevels [8].
The integration of the AHP method and expert systems was
proposed in [9], within the MHESA (Material Handling
Equipment Selection Advisor) system. A hybrid method
that involves the application of expert systems, fuzzy logic
and genetic algorithms was presented in [10].
The important type of material handling equipment is
automatic guided vehicles (AGV) which play a key role in
warehouse automation. The advantages set by AGVs in the
warehouse automation process are reducing staff costs and
labor costs, increased reliability and productivity, reduced
damage of goods, improved security, managing and con-
trolling a complete system, etc.
The main purpose of this paper is to evaluate and select
an appropriate AGV for performing operations in the ware-
house system by using a hybrid FUCOM-EDAS model. To
the best of our knowledge, there is no studies in the com-
bination of FUCOM-EDAS methods to study the evalua-
tion and selection of AGVs in a warehouse.
The rest of the paper is organized as follows. The first
part contains introduction. The second section lies in the
detailed review of the methods used in the work, which is
the FUCOM method for obtaining weight coefficients and
the EDAS method for obtaining the best solution of the set
model. In the third section, the types of AGVs are ana-
lyzed. The basic functions of these vehicles are also de-
scribed in detail. In the fourth section, the selection of
AGVs is performed based on nine alternatives, i.e. nine au-
tomatic guided forklift trucks and seven criteria that are
most commonly used in the selection and implementation

 Stojčić M., Stević Ž., Nikolić A., Božičković Z., 2019.

http://transience.org -————————————————— Modern Problems of Russian Transport Complex. 2019, vol. 9, no.1 13
LOGISTICS

of these vehicles into a warehouse system. In the fifth sec- weight coefficients should satisfy the condition of mathe-
tion, a sensitivity analysis is performed using WASPAS, matical transitivity, i.e. φk/(k+1)  φ(k+1)/(k+2) = φk/(k+2).
SAW, MABAC and ARAS methods. Finally, certain con- wk
clusions are given. Since = ϕ k /( k +1) and φ(k+1)/(k+2) = w(k+1)/w(k+2) ,
wk +1
2. Methods
wk w wk
⊗ k +1 = is obtained.
By applying multi-criteria decision-making methods, wk +1 wk + 2 wk + 2
it is possible to select appropriate strategies, rationalize Thus, another condition that the final values of the
certain logistic and other processes, and make appropriate
weight coefficients of the evaluation criteria need to meet
decisions that have an impact on the operations of compa-
is obtained, namely:
nies or their subsystems, as evidenced by the following
studies [11–16]. wk
= ϕk /( k +1) ⊗ ϕ( k +1)/( k + 2) . (4)
This paper proposes the application of two methods the wk + 2
FUCOM method for obtaining weight coefficients and Based on the defined settings, the final model for de-
EDAS method for obtaining the best of potential solutions. termining the final values of the weight coefficients of the
Additionally, within the stability evaluation of the obtained evaluation criteria can be defined.
results and the applied model, the assessment and ranking
of alternatives are performed using WASPAS, SAW, min χ ,
MABAC and ARAS method. s.t.
2.1 The FUCOM method
w j (k )
The FUCOM method was developed by Pamučar, Ste- − ϕ k /( k +1) =∀
χ , j,
vić and Sremac [17] for determining the weights of criteria. w j ( k +1)
According to the authors, this new method is better than
w j (k ) (5)
AHP (Analytical Hierarchy Process) and BWM (Best
Worst Method). − ϕ k /( k +1) ⊗ ϕ( k +1)/( k + 2) =
χ , ∀j ,
w j ( k + 2)
FUCOM provides a possibility to validate the model
by calculating the error size for obtained weight vectors, by n
determining the degree of consistency. On the other hand,
in other models for determining the weights of criteria, the
∑ w=
j =1
j 1, ∀j ,
BWM [18] and the AHP [19] model, redundancy in pair-
wise comparison appears which makes them less suscepti-
w j ≥ 0, ∀j.
ble to errors in judgment, while the methodological proce- By solving the model (5), we obtain the final values of
dure of FUCOM eliminates that problem. evaluation criteria (w1, w2,…, wn)T and the degree of con-
We aim to present the procedure for obtaining weight sistency ( χ ) of the results obtained.
coefficients of criteria by applying FUCOM.
2.1 The EDAS method
Step 1. In this step, the criteria from the predefined set
of the evaluation criteria С = {C1, C2, …, Cn} are ranked. The EDAS method was developed by [20] for the
The ranking is performed according to the significance of multi-criteria classification of inventories. The steps of this
the criteria, i.e. starting from the criterion which is ex- method are presented below:
pected to have the highest weight coefficient to the crite- Step 1. Select the most important criteria that describe
rion of the least significance: alternatives.
C j (1) > C j (2) > ... > C j ( k ) . (1) Step 2. Form an initial decision-making matrix as
shown:
Step 2. In this step, a comparison of the ranked criteria
is carried out and the comparative priority (φk/(k+1), k=1,2  х11 х12  х1m 
…, n, where k represents the rank of the criteria) of the х х22  х2 m 
evaluation criteria is determined  21
( )
Φ = ϕ1/ 2 , ϕ 2/3 ,..., ϕ k /( k +1) . (2) =X =
хij   х31 х32  х3m  , (6)
Step 3. In this step, the final values of the weight coef-
nm
 
ficients of the evaluation criteria (w1, w2,…, wn)T are calcu-    
lated. The final values of the weight coefficients should sat-  хn1 хn 2  хnm 
isfy the following two conditions: where хij denotes the values of the ith alternative according
a) The ratio of the weight coefficients is equal to the to the jth criterion.
comparative priority among the observed criteria φk/(k+1) Step 3. Determine the average solution according to all
defined in Step 2, i.e. the following condition is met: the criteria as shown:
wk AV =  AV j  , (7)
= ϕ k /( k +1) ; (3) 1m
wk +1 where
b) In addition to Condition (3), the final values of the

14 https://transcience.ru ———————— Современные проблемы транспортного комплекса России. 2019. Т.9. №1

A multi-criteria model for evaluation and selection of AGV’s in a warehouse … Stojčić M., Stević Ž., Nikolić A., Božičković Z.

i =n 3. AGVs
∑X ij
Automatic guided vehicles are defined as self-power
AV j = i =1
. (8) vehicles, with their own energy source and handling de-
n vices, intended for the transportation of materials. Another
Step 4. Calculate the positive distance from average
definition of automatic guided (managed) vehicles, also
(PDA) and negative distance from average (NDA) matrices
known as AGVs, says that these are unmanned ground
depending on the type of criteria (benefit or cost) according
transportation vehicles that are computer controlled, most
to the following expressions: electrically powered with batteries. It is important to high-
PDA =  PDAij  , (9) light that these vehicles are without drivers, i.e. they can
nm
function without operators, with a special emphasis on the
NDA =  NDAij  . (10) fact that the costs reduced by worker's salary in non-auto-
nm
If the criterion is of beneficial type, mated processes are up to about 75% of the cost. The be-
ginning of the use of automatic guided vehicles is linked to

PDAij =
(
max 0, ( X ij − AV j ) ), (11)
the achievement of the American company Barrett Vehicle
Systems, which in 1954 for the first time managed to auto-
AV j mate a single towing vehicle with mechanical guidance, in

NDAij =
(
max 0, ( AV j − X ij ) ), (12)
a way that a wire was placed above a vehicle. Then, devel-
opment and further automation moved to Germany, and
AV j since 1963, the first companies were Jungheinrich and
Wagner. Since 1970, automatic guided vehicles (AGVs)
and if it is a cost criterion, have been involved in material flow processes and in hos-

PDAij =
(
max 0, ( AV j − X ij ) ), (13)
pitals [21].
The AGV system consists of a vehicle, a control sys-
AV j tem, and additional necessary equipment. Modern ground
vehicles are controlled by microprocessors built into them,

NDAij =
(
max 0, ( X ij − AV j ) ), (14)
and most of them are monitored by a control system that
optimizes their work. It generates and distributes orders for
AV j transportation, monitors vehicles with their loads and
where PDAij and NDAij denote the positive and negative serves as a traffic light for movement through a warehouse
distance of the ith alternative from the average solution in based on priorities [22].
accordance to the j criterion, respectively.
Step 5. Determine the weighted sum of PDA and NDA 3.1 The types of AGVs
for all alternatives as follows: The systems of automatic guided vehicles are very in-
j =m teresting and useful since they offer a high degree of flexi-
SPi = ∑ w j PDAij , (15) bility and automation in material transportation. In contrast
j =1 to many other material transportation systems, AGV sys-
j =m tems rarely require a specific construction to support the
SN i = ∑ w j NDAij , (16) transportation of materials and goods. With the develop-
j =1 ment of AGVs and the application of automation and a high
where wj is the weight of jth criterion. degree of flexibility, today we distinguish many types of
Step 6. Normalization of SP and SN values for all al- vehicles in terms of the weight of load they can transport.
ternatives according to the following expressions: Load capacity varies from less than 1 kg to up to 100 t. We
SPi distinguish several types of AGVs:
NSPi = , (17) • towing vehicles;
max i ( SPi )
• unit load vehicles;
SN i • pallet trucks;
NSN i = 1 − . (18)
max i ( SN i ) • forklift trucks;
Step 7. The appraisal score (AS) for all alternatives ac- • special-purpose vehicles.
cording to the following expression: Towing vehicles were the first type of those vehicles
and have been used today. They are the oldest and most
1
ASi
= ( NSPi + NSNi ) , (19) popular type of AGVs. They can pull several trailers/wag-
2 ons and have a capacity ranging from four to 25 tons. They
where 0 ≤ ASi ≤ 1. are usually applied to the transportation of loads to/from a
Step 8: Rank alternatives according to decreasing val- warehouse (receiving and dispatch zone), and since it re-
ues of appraisal score (AS). The alternative with the highest fers to large quantities of material, they are mostly used for
AS is the best choice among the potential alternatives. loading and unloading the vehicles of external transporta-
tion.
Unit load AGV with a loading space is also a type of
vehicle that is used for the transportation of goods loaded

http://transience.org -————————————————— Modern Problems of Russian Transport Complex. 2019, vol. 9, no.1 15
LOGISTICS

onto a platform on the vehicle and their transfer. These ve- categories, i.e. two basic principles. The first category is
hicles are also referred to as vehicles of unit loads (pallets, based on the principle of fixed paths. The second category
boxes, individual pieces) and most often they also have au- is based on the principle of free paths. The principles of
tomatic load transfer (using a lifting deck, chain, band or guidance that belong to fixed-path guidance are mechani-
roller conveyor). They are used for transportation at shorter cal guidance, inductive guidance, and optical guidance,
distances with high flow rates, and due to the ability to au- while laser guidance is applied for free guidance.
tomatically connect to conveyors, workstations, devices AGVs must have a system for determining the path of
and AS/RS systems, they are often integrated into an auto- movement, for example, throughout a warehouse where it
mated manufacturing or warehousing system. has to perform several tasks. This problem is solved with
Automatic guided pallet trucks are designed for the several different methods. Routing the vehicle is the selec-
transportation of palletized materials, loading from the tion of the route of movement in terms of choosing an op-
ground and unloading onto the ground, where pallets are timal route towards a particular destination. There are two
lifted several centimeters from the ground, thus eliminating methods of routing automatic guided vehicles: a frequency
the need for fixed places for the deposition of load units. selection method and a selection method with a switch.
Loading of such vehicles can be in two ways: with auto- Traffic management is the ability of a system or vehi-
matic loading (necessity of correct positioning for loading) cle to avoid collisions while maximizing the flow of vehi-
and with manual loading (need for operator's handling the cles and materials. There are three types of traffic manage-
vehicle when loading). ment: zone control, sensor control, and combinatorial con-
Automatic guided forklift trucks are the newest type of trol.
AGVs. In their appearance and function, they are similar to Load transfer includes the method of loading and un-
the classic versions of forklifts. In addition to transporta- loading, which can be simple or integrated within other
tion, the ability to transfer palletized material not only at subsystems. There are various methods of load transfer,
ground level but also at higher levels makes them suitable some of which are a manual method, a method of automatic
and justified for application into the systems where full au- connection and separation, a method of load transfer by
tomation and greater flexibility in connecting with other rolling, belt or chain conveyor and a lifting and lowering
subsystems are required. The latest trend of automatic method.
guided forklift trucks enables automated delivery, applica- Management implies the methods of controlling the
tion in warehousing, loading and unloading of goods system used for its operation. It can be divided into two
into/out of the warehouse, and also enables load transfer areas: vehicle-dispatch methods and system-monitoring
into vehicles of external transportation (trucks, etc.) with- methods.
out manual control. Special-purpose automatic guided ve-
hicles are vehicles for carrying heavy loads up to 65 tons 4. The selection of AGVs
of irregular shape. For the selection of AGVs, two methods was used, the
FUCOM method for determining weight coefficients and
3.2 Main functions of AGVs
the EDAS method for obtaining the best solution. The se-
In order for the systems of automatic guided vehicles lection was based on nine AGVs and seven criteria.
to function in a warehouse where they are installed and to
carry out their tasks without difficulty, it is essential that 4.1 Forming a multi-criteria model
they have the ability to accomplish several basic functions, It has been considered an example in which a pur-
such as: chaser of AGV evaluates the considered alternatives using
• guidance; the following seven criteria: C1 – dimensions, C2 – mini-
• routing; mum lift height, C3 – price, C4 – capacity of AGVs, C5 –
• traffic management; battery capacity of AGVs, C6 – maximum lift height and
• load transfer; C7 – speed of AGVs. Tab. 1 provides an overview of the
• system management. alternatives that represent the types of forklift trucks and
The guidance of AGVs can be divided into two basic values of criteria for each of them.
Table 1
Initial decision-making matrix
Criteria
Alternatives
C1, mm C2, mm C3, $ C4, kg C5, Ah C6, mm C7, km/h
A1 AGV OKDD16 1480x896x825 85 90000 1600 240 3000 5
A2 AGV OKDD16-III 1480x896x825 85 90000 1600 240 4500 5
A3 AGV OKDD20 1480x896x825 85 90000 2000 260 2500 5
A4 EFORK CDD10-25 2120x850x1830 80 75000 1000 210 2050 5.8
A5 OKAVGV OK-FDuX-JX-II 1480x896x825 85 90000 2500 240 2050 5
A6 AMA MLF1500AGV 1975x796x3493 100 65000 1500 240 3900 5.8
A7 EFORK YF-JG01 1098 2500x1100x2500 80 110000 2000 210 3000 5.8
A8 HICTRL HAS16 2125x1160x2450 80 85000 1600 240 3000 3
A9 HICTRL HAR18 2455x2630x2100 80 85000 1800 315 3000 3

16 https://transcience.ru ———————— Современные проблемы транспортного комплекса России. 2019. Т.9. №1

A multi-criteria model for evaluation and selection of AGV’s in a warehouse … Stojčić M., Stević Ž., Nikolić A., Božičković Z.

0.236, w5 = 0.081, w6 = 0.091, w7 = 0.236 and the DFC

4.2 Determining criteria weights using (Deviation from Full Consistency) of the results are χ =
the FUCOM method
0.0013 or 0.13%. The obtained DFC shows the total objec-
It has been considered an example in which a pur- tivity of obtained results, which allows the application of
chaser of AGV evaluates the considered alternatives using the FUCOM method.
the following seven criteria: C1 – dimensions (min), C2 – By applying the FUCOM method, the criteria weights
minimum lift height (min), C3 – price (min), C4 – capacity are obtained. The results show that the most important cri-
of AGVs (max), C5 – battery capacity of AGVs (max), C6 teria for solving this problem are the fourth and seventh
– maximum lift height (max) and C7 – speed of AGVs criterion with a value of 0.236. After that is the first crite-
(max). The first three criteria belong to cost criteria, while rion with a value of 0.157. These are followed by the third
the other four belong to benefit criteria. criterion with a value of 0.124, the sixth criterion with a
Step 1. In step, the decision-makers perform the rank- value of 0.091, the fifth criterion with a value of 0.081 and
ing of the criteria based on the consensus: C4 = C7 > C1 > by the second criterion with a value of 0.076.
C3 > C6 > C5> C2.
Step 2. In this step, the decision-makers perform a pair- 4.3 Evaluation and ranking of alternatives by applying
wise comparison between the ranked criteria from Step 1. the EDAS method
The comparison is made with respect to the first-ranked C4 By applying the EDAS method, the best solution to the
criterion. The comparison is based on the scale [1,9]. Thus, problem is determined, which is explained in detail below.
the priorities of criteria ( ϖ C j ( k ) ) for all the criteria ranked Step 1. Select the most important criteria that describe
in Step 1 are obtained (Tab. 2). alternatives.
Table 2 The most important criteria are C1 – dimensions, C2 –
Priorities of criteria minimum lift height, C3 – price, C4 – vehicle capacity, C5
Criteria – vehicle battery capacity, C6 – maximum lift height, C7 –
Priority vehicle speed.
C4 C7 C1 C3 C6 C5 C2
Step 2. Construct the initial decision-making matrix
ϖC 1 1 1.5 1.9 2.6 2.9 3.1
j(k )
according to expression (6). Tab. 3 provides the form of
the initial decision-making matrix.
Based on the obtained priorities of the criteria, the Step 3. Determine the average solution according to all
comparative priorities of the criteria are calculated φc4/c7 = criteria based on expression (7, 8). Tab. 4 shows the aver-
1/1 = 1, φc7/c1 = 1.5/1 = 1.5, φc1/c3 = 1.9/1.5 = 1.27, φc3/c6 = age solutions.
2.6/1.9 = 1.37, φc6/c5 = 2.9/2.6 = 1.11, φc5/c2 = 3.1/2.9 = 1.07. Step 4. Calculate the positive distance from average
Step 3. The final values of the weight coefficients (PDA) and the negative distance from average (NDA) ma-
should meet the following two conditions: trices in terms of the type of criteria (benefit or cost) ac-
a) The final values of the weight coefficients should cording to expressions (9-14). The results are given in Tab.
meet Condition (3), i.e. that w4/w7 = 1, w7/w1 = 1.5, w1/w3 5 and Tab. 6.
= 1.27, w3/w6 = 1.37, w6/w5 = 1.11, w5/w2 = 1.07. Step 5. Determine the weighted sum of PDA and NDA
b) In addition to Condition (2), the final values of the for all alternatives according to expressions (15) and (16).
weight coefficients should meet the condition of mathe- The weighted PDA and NDA matrices are given in Tab. 7
matical transitivity, i.e. that: w4/w1 = 1∙1.5 = 1.5, w7/w3 = and Tab. 8.
1.5∙1.27 = 1.91, w1/w6 = 1.27∙1.37 = 1.74, w3/w5 = Step 6. Normalization of SP and SN values for all al-
1.37∙1.11 = 1.52, w6/w2 = 1.11∙1.07 = 1.19. ternatives according to expressions (17) and (18).
By applying Expression (5), the final model for deter- The values obtained for NSPi are: 0.535; 0.728; 0.721;
mining the weight coefficients can be defined as: 0.396; 1.000; 0.464; 0.393; 0.028; 0.174.
min χ , The values obtained for NSNi are: 0.896; 0.902; 0.914;
 w4 w w
0.495; 0.856; 0.553; 0.176; 0.284; 0.000.
 = − 1 χ , 7 −= 1.5 χ , 1 − 1.27
= χ, Step 7. Calculate the appraisal score (AS) for all alter-
w
 7 w1 w3 natives according to expression (19). The values obtained
 for the appraisal score (AS) are: A1 = 0.716; A2 = 0.815;
 w3 − 1.37 = χ , w6 − 1.11 = χ , w5 − 1.07 = χ , A3 = 0.817; A4 = 0.446; A5 = 0.928; A6 = 0.499; A7 =
 w6 w5 w2
 0.284; A8 = 0.156; A9 = 0.097.
 w4 w w Step 8. Rank the alternatives according to the decreas-
 − 1.5= χ , 7 − 1.91= χ , 1 − 1.74= χ , ing values of appraisal score (AS). The alternative with the
 w1 w3 w6
 highest AS is the best choice among the potential alterna-
 w3 − 1.52 = χ w6 − 1.19 = χ , tives: A5 → A3 → A2 → A1 → A6 → A4 → A7 → A8
 w5 w2 → A9. Considering the values obtained for the appraisal
 7 score, a ranking according to decreasing values has been
 w= 1, w ≥ 0, ∀j.
∑ j j
performed and the above expression has been obtained.
 j =1 The alternative A5 appears as the best solution, i.e. AGV
By solving this model, the final values of the weight OKAVGV OK-FDuX-JX-II.
coefficients are w1 = 0.157, w2 = 0.076, w3 = 0.124, w4 =

http://transience.org -————————————————— Modern Problems of Russian Transport Complex. 2019, vol. 9, no.1 17
LOGISTICS

Table 3
The form of the initial decision-making matrix
Criteria Alternatives
Goal
A1 A2 A3 A4 A5 A6 A7 A8 A9
C1 1 1 1 3 1 5 7 5 7 MIN
C2 85 85 85 80 85 100 80 80 80 MIN
C3 90000 90000 90000 75000 90000 65000 110000 85000 85000 MIN
C4 1600 1600 2000 1000 2500 1500 2000 1600 1800 MAX
C5 240 240 260 210 240 240 210 240 315 MAX
C6 3000 4500 2500 2500 2050 3900 3000 3000 3000 MAX
C7 5 5 5 5.8 5 5.8 5.8 3 3 MAX

Table 4
The average solutions according to all criteria
Criteria Alternatives
Цель AVj Wj
A1 A2 A3 A4 A5 A6 A7 A8 A9
C1 1 1 1 3 1 5 7 5 7 MIN 3.44 0.157
C2 85 85 85 80 85 100 80 80 80 MIN 84.44 0.076
C3 90000 90000 90000 75000 90000 65000 110000 85000 85000 MIN 86666.67 0.124
C4 1600 1600 2000 1000 2500 1500 2000 1600 1800 MAX 1733.33 0.236
C5 240 240 260 210 240 240 210 240 315 MAX 243.89 0.081
C6 3000 4500 2500 2500 2050 3900 3000 3000 3000 MAX 3050.00 0.091
C7 5 5 5 5.8 5 5.8 5.8 3 3 MAX 4.82 0.236
Table 5
Positive distances of the ith alternative from the average solution
Criteria Alternatives
Wj
A1 A2 A3 A4 A5 A6 A7 A8 A9
C1 0.710 0.710 0.710 0.129 0.710 0.000 0.000 0.000 0.000 0.157
C2 0.000 0.000 0.000 0.053 0.000 0.000 0.053 0.053 0.053 0.076
C3 0.000 0.000 0.000 0.135 0.000 0.250 0.000 0.019 0.019 0.124
C4 0.000 0.000 0.154 0.000 0.442 0.000 0.154 0.000 0.038 0.236
C5 0.000 0.000 0.066 0.000 0.000 0.000 0.000 0.000 0.292 0.081
C6 0.000 0.475 0.000 0.000 0.000 0.279 0.000 0.000 0.000 0.091
C7 0.037 0.037 0.037 0.203 0.037 0.203 0.203 0.000 0.000 0.236

Table 6
Negative distances of the ith alternative from the average solution
Criteria Alternatives
Wj
A1 A2 A3 A4 A5 A6 A7 A8 A9
C1 0.000 0000 0.000 0.000 0.000 0.452 1.032 0.452 1.032 0.157
C2 0.007 0.007 0.007 0.000 0.007 0.184 0.000 0.000 0.000 0.076
C3 0.038 0.038 0.038 0.000 0.038 0.000 0.269 0.000 0.000 0.124
C4 0.077 0.077 0.000 0.423 0.000 0.135 0.000 0.077 0.000 0.236
C5 0.016 0.016 0.000 0.139 0.016 0.016 0.139 0.016 0.000 0.081
C6 0.016 0.000 0.180 0.180 0.328 0.000 0.016 0.016 0.016 0.091
C7 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.378 0.378 0.236

Table 7
The weighted PDA matrices
Criteria Alternatives
maxi(SPi)
A1 A2 A3 A4 A5 A6 A7 A8 A9
C1 0.111 0.111 0.111 0.020 0.111 0.000 0.000 0.000 0.000
C2 0.000 0.000 0.000 0.004 0.000 0.000 0.004 0.004 0.004
C3 0.000 0.000 0.000 0.017 0.000 0.031 0.000 0.002 0.002
C4 0.000 0.000 0.036 0.000 0.104 0.000 0.036 0.000 0.009
C5 0.000 0.000 0.005 0.000 0.000 0.000 0.000 0.000 0.024
C6 0.000 0.043 0.000 0.000 0.000 0.025 0.000 0.000 0.000
C7 0.009 0.009 0.009 0.048 0.009 0.048 0.048 0.000 0.000
SPi 0.120 0.163 0.162 0.089 0.225 0.104 0.088 0.006 0.039 0.225

18 https://transcience.ru ———————— Современные проблемы транспортного комплекса России. 2019. Т.9. №1

A multi-criteria model for evaluation and selection of AGV’s in a warehouse … Stojčić M., Stević Ž., Nikolić A., Božičković Z.

Table 8
The weighted NDA matrices
Criteria Alternatives
maxi(SNi)
A1 A2 A3 A4 A5 A6 A7 A8 A9
C1 0.000 0.000 0.000 0.000 0.000 0.071 0.162 0.071 0.162
C2 0.001 0.001 0.001 0.000 0.001 0.014 0.000 0.000 0.000
C3 0.005 0.005 0.005 0.000 0.005 0.000 0.033 0.000 0.000
C4 0.018 0.018 0.000 0.100 0.000 0.032 0.000 0.018 0.000
C5 0.001 0.001 0.000 0.011 0.001 0.001 0.011 0.001 0.000
C6 0.001 0.000 0.016 0.016 0.030 0.000 0.001 0.001 0.001
C7 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.089 0.089
SNi 0.026 0.025 0.022 0.128 0.036 0.118 0.208 0.181 0.253 0.253

impact of a change in the significance or value of the crite-

5. A sensitivity analysis ria on the result of decision-making. Therefore, it is possi-
The application of the analysis in multi-criteria deci- ble for the criteria of little significance to be critical in a
sion-making can provide a new perspective on the area of certain situation, i.e. to be decisive in a decision-making
interest. In the field of multi-criteria decision-making, the process. Thus, a sensitivity analysis can provide us a view
best alternative should be determined within a set of avail- of the situations that we have not noticed before. It can fur-
able ones. In such decision-making, a set of evaluation cri- ther result in an analysis that is much more efficient and
teria is used. The criteria are associated with significance, finally in the implementation of a better final solution. In
i.e. weights. Intuitively, a higher weight implies the greater this paper, four methods for a sensitivity analysis are ap-
significance of a criterion. A sensitivity analysis provides plied: WASPAS [23], SAW [24], MABAC [25] and ARAS
a new perspective to a decision-making issue, introducing [26], and the ranking of alternatives according to the same
criterion criticality. Regarding criticality, we can imply the methods is given in Tab. 9.
Table 9
Ranking the alternatives by applying different methods
Methods for a sensitivity analysis
Alternatives WASPAS SAW MABAC ARAS
Grade Rank Grade Rank Grade Rank Grade Rank
A1 0.789 4 0.795 4 0.078 4 0.796 4
A2 0.819 3 0.825 3 0.134 3 0.829 3
A3 0.823 2 0.828 2 0.138 2 0.830 2
A4 0.641 7 0.671 7 0.017 6 0.639 7
A5 0.851 1 0.861 1 0.184 1 0.864 1
A6 0.694 5 0.734 5 0.070 5 0.702 5
A7 0.661 6 0.711 6 -0.008 7 0.677 6
A8 0.572 9 0.598 9 -0.162 9 0.576 9
A9 0.585 8 0.627 8 -0.125 8 0.603 8

Figure 1 shows the positions in the ranking of individ-

ual alternatives for each of the four methods used in the
sensitivity analysis. As it can be seen in Fig. 1, the best-
ranked alternative is A5 and then A3. In Tab. 9, it can be
seen that these two alternatives are identified as the best
ones, since they obtain identical results by all four meth-
ods, with an advantage being given to alternative A5. By
the calculation, other alternatives have lower values and
are less ranked than the two above mentioned, as can be
seen in the figure. Position 3 is occupied by alternative A2
according to all methods. At position 4, alternative A1 ac-
cording to all methods. Position 5 is taken by alternatives
A6. Position 6 is occupied by alternatives A7 according to
WASPAS, SAW and ARAS methods, and A4 according to
MABAC method. At position 7, alternatives A4 according
to WASPAS, SAW and ARAS and A7 are ranked accord-
ing to the MABAC method. Position 8 is taken by alterna-
tive A9 to all methods. The last position 9 is taken by al-
ternative A8.
6. Conclusion
Warehousing as a subsystem of logistics is the link in
a chain that offers numerous optimization options. This is
particularly prominent in our region since the application
of modern technologies is not present as it is the case in
western countries. In the paper, an emphasis is put on ware-
house automation throughout the selection of an optimum
automatic guided vehicle - AGV. As a component of ma-
terial handling equipment, AGV is a solution that can
greatly improve the operation process in the warehouse it-
self, and therefore in the entire supply chain. Their use can
save energy, so that a lower price of a final product can be
expected if they are used in manufacturing plants.
The methods of multi-criteria decision-making are ap-
plied daily in the real world, and thus in warehouse sys-
tems. The most significant contribution of the paper is re-
flected in the application of FUCOM-EDAS hybrid model.
In this paper, the FUCOM method has demonstrated its ex-

http://transience.org -————————————————— Modern Problems of Russian Transport Complex. 2019, vol. 9, no.1 19
LOGISTICS
ceptional capabilities in determining the weight coeffi-
cients of criteria where the objectivity and consistency of
the obtained results could be seen.
Rank
Methods
Fig. 1. The results of sensitivity analysis
The ranking of the alternatives was performed accord-
ing to the EDAS method and the best solution was selected,
i.e. the best automatic guided vehicle - a forklift truck. At
the end of the paper, a comparison of different multi-crite-
ria decision-making methods was made for a specific ex-
ample of the selection of automatic guided vehicles
throughout a sensitivity analysis.
References
1. Fanisam M.BN., Dewa B., Ayush M., Yogesh M., Harshal M. Material han-
dling equipment // International Journal of Recent Scientific Research.
2018, vol. 9, no. 2, pp. 24083–24085.
2. Kay M. G. Material Handling Equipment. Available at: https://peo-
ple.engr.ncsu.edu/kay/Material_Handling_Equipment.pdf.
3. Park Y.-B. ICMESE: Intelligent consultant system for material handling
equipment selection and evaluation // Journal of Manufacturing Systems.
1996, vol. 15, no. 5, pp. 325–333. doi: 10.1016/0278-6125(96)84195-1.
4. Onut S., Kara S. S., Mert S. Selecting the suitable material handling equip-
ment in the presence of vagueness // The International Journal of Advanced
Manufacturing Technology. 2009, vol. 44, 7-8, pp. 818–828. doi:
10.1007/s00170-008-1897-3.
5. Kulak O. A decision support system for fuzzy multi-attribute selection of ma-
terial handling equipments // Expert Systems with Applications. 2005, vol.
29, no. 2, pp. 310–319. doi: 10.1016/j.eswa.2005.04.004.
6. Fisher E. L., Farber J. B., Kay M. G. Mathes: An expert system for material
handling equipment selection // Engineering Costs and Production Econom-
ics. 1988, vol. 14, no. 4, pp. 297–310. doi: 10.1016/0167-188X(88)90034-
1.
7. Tuzkaya G., Gülsün B., Kahraman C., Özgen D. An integrated fuzzy multi-
criteria decision making methodology for material handling equipment se-
lection problem and an application // Expert Systems with Applications.
2010, vol. 37, no. 4, pp. 2853–2863. doi: 10.1016/j.eswa.2009.09.004.
8. Chakraborty S., Banik D. Design of a material handling equipment selection
model using analytic hierarchy process // The International Journal of Ad-
vanced Manufacturing Technology. 2006, vol. 28, 11-12, pp. 1237–1245.
doi: 10.1007/s00170-004-2467-y.
9. Chan F.T.S. Design of material handling equipment selection system: an
Stojčić M., Stević Ž., Nikolić A., Božičković Z. A multi-criteria model for evaluation and selection of AGV’s in a warehouse // Modern
Problems of Russian Transport Complex. 2019, vol.9, no.1, pp. 4-20
20 https://transcience.ru ———————— Современные проблемы транспортного комплекса России. 2019. Т.9. №1
integration of expert system with analytic hierarchy process approach // In-
tegrated Manufacturing Systems. 2002, vol. 13, no. 1, pp. 58–68. doi:
10.1108/09576060210411512.
10. Mirhosseyni S. H. L., Webb P. A Hybrid Fuzzy Knowledge-Based Expert
System and Genetic Algorithm for efficient selection and assignment of Ma-
terial Handling Equipment // Expert Systems with Applications. 2009, vol.
36, no. 9, pp. 11875–11887. doi: 10.1016/j.eswa.2009.04.014.
11. Stević Ž., Pamučar D., Vasiljević M., Stojić G., Korica S. Novel Integrated
Multi-Criteria Model for Supplier Selection: Case Study Construction Com-
pany // Symmetry. 2017, vol. 9, no. 11, p. 279. doi: 10.3390/sym9110279.
12. Vasiljevic M., Fazlollahtabar H., Stević Ž., Vesković S. A rough multicriteria
approach for evaluation of the supplier criteria in automotive industry // De-
cision Making: Applications in Management and Engineering. 2018, vol. 1,
no. 1, pp. 82–96. doi: 10.31181/dmame180182v.
13. Zavadskas E. K., Stević Ž., TANACKOV I., PRENTKOVSKIS O. A Novel
Multicriteria Approach – Rough Step-Wise Weight Assessment Ratio Anal-
ysis Method (R-SWARA) and Its Application in Logistics // Studies in Infor-
matics and Control. 2018, vol. 27, no. 1. doi: 10.24846/v27i1y201810.
14. Radović D., Stević Ž., Pamučar D., Zavadskas E., Badi I., Antuchevičiene
J., Turskis Z. Measuring Performance in Transportation Companies in De-
veloping Countries: A Novel Rough ARAS Model // Symmetry. 2018, vol.
10, no. 10, p. 434. doi: 10.3390/sym10100434.
15. Nunić Z. Evaluation and selection of the PVC carpentry manufacturer using
the FUCOM-MABAC model // Operational Research in Engineering Sci-
ences: Theory and Applications. 2019, vol. 1, no. 1, pp. 13–28. doi:
10.31181/oresta19012010113n.
16. Stanujkić D., Karabašević D. An extension of the WASPAS method for de-
cision-making problems with intuitionistic fuzzy numbers: a case of website
evaluation // Operational Research in Engineering Sciences: Theory and
Applications. 2019, vol. 1, no. 1, pp. 29–39. doi:
10.31181/oresta19012010129s.
17. Pamučar D., Stević Ž., Sremac S. A New Model for Determining Weight
Coefficients of Criteria in MCDM Models: Full Consistency Method
(FUCOM) // Symmetry. 2018, vol. 10, no. 9, p. 393. doi:
10.3390/sym10090393.
18. Rezaei J. Best-worst multi-criteria decision-making method // Omega. 2015,
vol. 53, pp. 49–57. doi: 10.1016/j.omega.2014.11.009.
19. Saaty T. L. The analytic hierarchy process: planning, priority setting, re-
source allocation. New York, London: McGraw-Hill International Book Co.
1980.
20. Keshavarz Ghorabaee M., Zavadskas E. K., Olfat L. Multi-Criteria Inventory
Classification Using a New Method of Evaluation Based on Distance from
Average Solution (EDAS) // Informatica. 2015, vol. 26, no. 3, pp. 435–451.
doi: 10.15388/Informatica.2015.57.
21. Galović J. Sustavi automatski vođenih vozila: Završni Rad [Automatic
Guided Vehicles: Undergraduate thesis]. Zagreb: University of Zagreb.
2015. 80 p.
22. Gudelj А., Krčum M., Coric М. Modelling and multiobjective optimization for
automated guided vehicles at container terminals // 35th Conference on
Transportation Systems with International Participation Automation in trans-
portation. 2015, Zagreb: KoREMA.
23. Zavadskas E. K., Turskis Z., Antucheviciene J. Optimization of Weighted
Aggregated Sum Product Assessment // Electronics and Electrical Engi-
neering. 2012, vol. 122, no. 6. doi: 10.5755/J01.EEE.122.6.1810.
24. MacCrimmon K.R. Decision making among multiple-attribute alternatives: a
survey and consolidated approach. Santa Monica, California: The RAND
Corporation. 1968. 63 p.
25. Pamučar D., Ćirović G. The selection of transport and handling resources
in logistics centers using Multi-Attributive Border Approximation area Com-
parison (MABAC) // Expert Systems with Applications. 2015, vol. 42, no. 6,
pp. 3016–3028. doi: 10.1016/j.eswa.2014.11.057.
26. Zavadskas E. K., Turskis Z. A new additive ratio assessment (ARAS)
method in multicriteria decision‐making // Technological and Economic De-
velopment of Economy. 2010, vol. 16, no. 2, pp. 159–172. doi:
10.3846/tede.2010.10.
Received 19/12/2018