Вы находитесь на странице: 1из 17

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

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

тод, основанный на комбинировании экспертной си- двух методов: метод FUCOM используется для расчёта
стемы с методами нечёткой логики и генетическими весовых коэффициентов критериев; метод EDAS – для
алгоритмами, представлен в [10]. выбора наилучшего из потенциальных решений. Для
Ключевую роль в автоматизации складов играет оценки чувствительности полученных результатов и
особый вид транспортных средств – автоматически разработанной модели использованы методы
управляемые транспортные средства (AGV – Auto- WASPAS, SAW, MABAC и ARAS.
matic Guided Vehicles). Основными преимуществами
использования AGV являются: снижение затрат на 2.1 Метод FUCOM
оплату труда складских рабочих; повышение надёжно- Метод FUCOM был разработан Pamučar, Stević и
сти, безопасности и производительности погрузочно- Sremac [17] для определения весов критериев. По мне-
разгрузочных и транспортно-складских работ; повы- нию авторов, этот метод превосходит метод аналити-
шение сохранности грузов; возможность автоматиза- ческой иерархии (МАИ) и метод BWM (Best Worst
ции управления работой всего транспортно-склад- Method – «лучший худший способ»). FUCOM предо-
ского комплекса. ставляет возможность проверить модель, рассчитав
В настоящей статье представлена методика оценки размер ошибки для полученных векторов веса крите-
и выбора AGV для складов на основе использования риев, определив степень согласованности. В моделях
гибридной FUCOM-EDAS модели. Насколько нам из- BWM [18] и МАИ [19] при определении весов крите-
вестно, в настоящее время отсутствуют исследования риев имеется избыточность из-за парного сравнения.
в области комбинирования методов FUCOM (Full Con- Такая избыточность не позволяет адекватно отразить
sistency Method – метод полной согласованности) и ошибки в суждениях экспертов. Процедура метода
EDAS (The Evaluation based on Distance from Average FUCOM устраняет эту проблему. Данная процедура
Solution – оценка отклонения от среднего решения) для получения весовых коэффициентов критериев вклю-
решения задачи оценки и выбора AGV для складов. чает в себя следующие этапы.
Материал статьи организован следующим обра- Этап 1. Ранжирование предварительно отобран-
зом. Во втором разделе представлено подробное опи- ных критериев С = {C1, C2, …, Cn}. Ранжирование вы-
сание используемых в работе методов. Показано, что полняется в соответствии со значимостью критериев,
метод FUCOM используется для расчёта весовых ко- начиная с критерия, который, как ожидается, будет
эффициентов критериев, а метод EDAS – для опреде- иметь самый высокий весовой коэффициент, до крите-
ления наилучшего решения. В третьем разделе анали- рия наименьшей значимости
зируются типы AGV, а также приводится описание их C j (1) > C j (2) > ... > C j ( k ) . (1)
основных функций. Четвёртый раздел содержит описа-
ние разработанной методики выбора AGV и пример её Этап 2. Сравнение ранжированных критериев и
применения для девяти альтернатив – конкретных мо- определение сравнительного приоритета (φk/(k+1), k=1,2
делей AGV. Выбор осуществлялся по семи критериям, …, n, где k – ранг критериев) критериев оценки
которые наиболее часто используются на практике при (
Φ = ϕ1/ 2 , ϕ 2/3 ,..., ϕ k /( k +1) . )
(2)
выборе этих транспортных средств. В пятом разделе Этап 3. Вычисление окончательных значений весо-
представлены результаты анализа чувствительности вых коэффициентов критериев оценки (w1, w2,…, wn)T.
полученных результатов с использованием методов Эти значения должны удовлетворять следующим двум
WASPAS (Weighted Aggregated Sum Product Assess- условиям:
ment – метод совокупной взвешенной суммы), SAW а) соотношение весовых коэффициентов должно
(Simple Additive Weighting - метод простого аддитив- быть равно сравнительному приоритету критериев
ного взвешивания), MABAC (Multi-Attributive Border φk/(k+1), определённых этапе 2, то есть выполняется сле-
Approximation Area Comparison – метод сравнения дующее условие
мультикритериальных разграниченных областей) и
ARAS (Additive Ratio Assessment – метод оценки адди- wk
= ϕ k /( k +1) ; (3)
тивного отношения). В заключении представлены вы- wk +1
воды о достоинствах представленного комбинирован- б) окончательные значения весовых коэффициен-
ного метода. тов должны удовлетворять условию математической
2. Методы исследования 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-
Применение многокритериальных методов приня- чаем
тия решений позволяет выбирать рациональные стра- wk w wk
тегии, оптимизировать логистические и транспортные ⊗ k +1 = .
процессы, обосновывать разнообразные управленче- wk +1 wk + 2 wk + 2
ские решения. Примеры использования различных Таким образом, получаем другое условие, кото-
многокритериальных методов для решения разнооб- рому должны удовлетворять конечные значения весо-
разных задач в области производства, транспорта, ло- вых коэффициентов критериев оценки
гистики, информационных технологий и т.д. представ- wk
лены в работах [11–16]. = ϕk /( k +1) ⊗ ϕ( k +1)/( k + 2) . (4)
В настоящей статье представлена комбинация wk + 2

http://transience.org -————————————————— Modern Problems of Russian Transport Complex. 2019, vol. 9, no.1 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 … Стойчич М., Стевич Ж., Николич А., Божичкович З.

портные средства не имеют водителей, то есть они мо- тока. Благодаря возможности автоматического под-
гут функционировать без операторов. Эффективность ключения к конвейерам, автоматизированным систе-
применения таких средств обычно обосновывается мам хранения и поиска грузов (AS/RS – Automated
возможностью сокращения до 75% затрат на заработ- Storage and Retrieval System) они часто интегрируются
ную плату по сравнению с неавтоматизированными в существующие системы автоматизации складов или
процессами. производственных линий.
Начало использования транспортных средств с ав- Автоматические тележки предназначены для
томатическим управлением связано с достижением транспортировки грузов на поддонах, как правило, на
американской компании Barrett Vehicle Systems, кото- небольшие расстояния внутри склада. Перемещение
рая в 1954 году впервые смогла автоматизировать поддона происходит путём его подъёма не небольшую
авто-буксировщик, движение которого регулирова- высоту над уровнем пола. Загрузка тележек может осу-
лось механически проводом, расположенным над ществляться двумя способами – автоматически, с ис-
транспортным средством. В последующем разработки пользованием средств позиционирования груза на те-
в этой области осуществлялись в Германии компани- лежке или вручную.
ями Jungheinrich и Wagner (1963 год). С 1970 года ав- Вилочные погрузчики с автоматическим управле-
томатически управляемые транспортные средства ис- нием являются новейшим типом AGV. По внешнему
пользуются в больницах [21]. виду и функциям они похожи на традиционные вилоч-
Системы AGV включают в себя транспортные ные погрузчики. В дополнение к транспортировке по-
средства, систему управления и дополнительное обо- грузчики обеспечивают подъем пакетированных гру-
рудование. Современные наземные транспортные зов на большую, по сравнению с тележками, высоту.
средства управляются встроенными в них микропро- Это делает пригодным использование погрузчиков в
цессорами. В большинстве случаев работа AGV коор- складских системах, где требуется полная автоматиза-
динируется системой управления, которая решает раз- ция и большая гибкость в соединении с другими авто-
личные задачи координации и оптимизации: распреде- матизированными подсистемами. Новейшая тенден-
ляет заказы на перевозку; отслеживает транспортные ция развития автоматически управляемых вилочных
средства и перевозимые ими грузы; регулирует потоки погрузчиков заключается в полной автоматизации опе-
автоматически управляемых транспортных средств на раций транспортирования, размещения грузов на
складах в соответствии с различными приоритетами складе, а также погрузки и выгрузки грузов с внешнего
[22]. транспорта.
Транспортные средства специального назначения
3.1 Типы автоматически управляемых с автоматическим управлением – это автомобили для
транспортных средств перевозки тяжеловесных (весом до 65 тонн) и негаба-
Системы AGV обеспечивают высокую степень ритных грузов.
гибкости и автоматизации при транспортировке гру-
3.2 Основные функции автоматически
зов, зачастую не требуют внесения существенных из-
управляемых транспортных средств
менений в конструкцию существующих погрузочно-
разгрузочных и транспортных средств. Грузоподъём- Для того чтобы системы автоматически управляе-
ность AGV варьируется от 1 кг до 100 т. По этому при- мых транспортных средств функционировали на
знаку мы различаем следующие типы AGV: складе, где они установлены, и без труда выполняли
• тягачи (towing vehicles); свои задачи, важно, чтобы они имели возможность вы-
• транспортёры штучных грузов (unit load vehicles); полнять несколько основных функций, таких как:
• тележки (pallet trucks); • навигация (guidance);
• вилочные погрузчики (forklift trucks); • маршрутизация (routing);
• транспортные средства специального назначения • управление потоком транспортных средств (traffic
(special-purpose vehicles). management);
Тягачи были первыми автоматизированными • перегрузка (load transfer);
транспортными средствами и остаются самыми попу- • управление системой AGV (system management).
лярным типом AGV в настоящее время. Они имеют Навигация AGV может осуществляться на основе
грузоподъёмность от 4 до 25 т и могут транспортиро- двух принципов – «заданная траектория» и «свободное
вать несколько прицепов. Тягачи обычно применяются движение». Движение по заданной траектории может
для обеспечения внешних перевозок склада, а также осуществляться с использованием механических, ин-
для работы в зоне погрузки и выгрузки грузов. дуктивных и оптических устройств. Обеспечение дви-
Транспортёры штучных грузов – тип транспорт- жения AGV по произвольной траектории осуществля-
ного средства для перевозки грузов на платформе, ко- ется с использованием лазерного наведения.
торая обеспечивает как подъем груза, так и его гори- Функция маршрутизации AGV обеспечивает дви-
зонтальное перемещение на ней для погрузки или вы- жение транспортных средств по оптимальному марш-
грузки конвейерами различного типа. Транспортёры руту по всей территории склада. Функция маршрути-
используются для транспортировки на короткие рас- зации реализуется двумя методами. Первый «метод
стояния и обеспечивают высокую скорость грузопо- выбора частоты» (frequency selection method) предпо-

http://transience.org -————————————————— Modern Problems of Russian Transport Complex. 2019, vol. 9, no.1 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). 0.097.
Значения, полученные для NSPi: 0.535; 0.728; Этап 8. В результате ранжирования альтернатив в
0.721; 0.396; 1.000; 0.464; 0.393; 0.028; 0.174. порядке уменьшения значения оценочного балла (AS)
Значения, полученные для NSNi: 00.896; 0.902; получается следующий приоритет альтернатив: A5 →
0.914; 0.495; 0.856; 0.553; 0.176; 0.284; 0.000. A3 → A2 → A1 → A6 → A4 → A7 → A8 → A9. Таким
Этап 7. Расчёт бальной оценки (AS) для всех аль- образом, альтернатива А5, соответствующая погруз-
тернатив по формуле (19). Значения рассчитанных оце- чику OKAVGV OK-FDuX-JX-II, является лучшим ре-
нок AS: A1 = 0.716; A2 = 0.815; A3 = 0.817; A4 = 0.446; 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-


шающими в процессе принятия решения. Таким обра-
Реализация представленной процедуры анализа зом, анализ чувствительности позволяет получить
альтернатив при наличии нескольких критериев позво- представление о ситуациях, которые до этого игнори-
ляет по-новому подходить к принятию решений в раз- ровались, повысит эффективность процесса многокри-
личных областях. Многокритериальный выбор пред- териального выбора, и, в итоге, к принятию наилуч-
полагает наличие набора доступных альтернатив и не- шего решения. В этой статье применяются четыре ме-
скольких критериев. Каждый критерий выбора харак- тода анализа чувствительности: WASPAS (Weighted
теризуется определённым весом. Интуитивно понятно, Aggregated Sum Product Assessment – метод совокуп-
что больший вес подразумевает большую значимость ной взвешенной суммы) [23]; SAW (Simple Additive
критерия. Анализ чувствительности результатов мно- Weighting – метод простого аддитивного взвешивания)
гокритериального выбора позволяет, с другой сто- [24]; MABAC (Multi-Attributive Border Approximation
роны, взглянуть на проблему принятия решений, вводя Area Comparison – метод сравнения мультикритери-
дополнительное условие критичности критериев. альных разграниченных областей) [25]; ARAS
«Критичность» позволяет учитывать влияние измене- (Additive Ratio Assessment – метод оценки аддитивного
ния значимости критериев на принимаемое решение. отношения) [26]. Результат ранжирования альтернатив
Другими словами, может оказаться, что критерии, ха- с использованием перечисленных методов представ-
рактеризующиеся малым весом, могут оказаться кри- 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 значению оценки по всем четырём методам.
по результатам расчётов каждым из четырёх использу- Остальные альтернативы имеют более низкие зна-
емых методов анализа чувствительности. Как видно из чения оценок и имеют меньший рейтинг. По результа-
рисунка, лучшим вариантом является альтернатива A5, там оценки всеми методами третья, четвёртая и пятая
следом за ней в рейтинге следует альтернатива A3. 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
Рис. 1. Результаты анализа чувствительности статье исследуется проблема повышения уровня авто-
гибридной FUCOM-EDAS модели матизации складов на основе выбора оптимальной мо-
дели оптимального автоматически управляемого
Из табл. 9 видно, что эти две альтернативы явля- транспортного средства – AGV. Использование AGV
ются лучшими, поскольку они получили близкие по 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- System and Genetic Algorithm for efficient selection and assignment of Ma-
terial Handling Equipment // Expert Systems with Applications. 2009, vol.
ставок, снизить себестоимость конечной продукции, в 36, no. 9, pp. 11875–11887. doi: 10.1016/j.eswa.2009.04.014.
первую очередь, в результате затрат на электроэнер- 11. Stević Ž., Pamučar D., Vasiljević M., Stojić G., Korica S. Novel Integrated
гию. Multi-Criteria Model for Supplier Selection: Case Study Construction Com-
pany // Symmetry. 2017, vol. 9, no. 11, p. 279. doi: 10.3390/sym9110279.
Методы принятия многокритериальных решений 12. Vasiljevic M., Fazlollahtabar H., Stević Ž., Vesković S. A rough multicriteria
широко применяются для решения различных задач, в approach for evaluation of the supplier criteria in automotive industry // De-
том числе, для оптимизации работы транспортно- cision Making: Applications in Management and Engineering. 2018, vol. 1,
no. 1, pp. 82–96. doi: 10.31181/dmame180182v.
складских систем. Научная новизна настоящего иссле- 13. Zavadskas E. K., Stević Ž., TANACKOV I., PRENTKOVSKIS O. A Novel
дования заключается в разработке гибридной модели Multicriteria Approach – Rough Step-Wise Weight Assessment Ratio Anal-
FUCOM-EDAS принятия решения в условиях наличия ysis Method (R-SWARA) and Its Application in Logistics // Studies in Infor-
matics and Control. 2018, vol. 27, no. 1. doi: 10.24846/v27i1y201810.
множества критериев. Показана эффективность метода 14. Radović D., Stević Ž., Pamučar D., Zavadskas E., Badi I., Antuchevičiene
FUCOM для определения весовых коэффициентов J., Turskis Z. Measuring Performance in Transportation Companies in De-
критериев, заключающаяся в объективности и согласо- veloping Countries: A Novel Rough ARAS Model // Symmetry. 2018, vol.
10, no. 10, p. 434. doi: 10.3390/sym10100434.
ванности получаемых результатов. Ранжирование аль- 15. Nunić Z. Evaluation and selection of the PVC carpentry manufacturer using
тернатив (модели автоматически управляемых вилоч- the FUCOM-MABAC model // Operational Research in Engineering Sci-
ных погрузчиков) осуществлялось с использованием ences: Theory and Applications. 2019, vol. 1, no. 1, pp. 13–28. doi:
10.31181/oresta19012010113n.
метода EDAS. 16. Stanujkić D., Karabašević D. An extension of the WASPAS method for de-
Оценка чувствительности полученных результа- cision-making problems with intuitionistic fuzzy numbers: a case of website
тов, выполненная четырьмя различными методами, по- evaluation // Operational Research in Engineering Sciences: Theory and
Applications. 2019, vol. 1, no. 1, pp. 29–39. doi:
казала адекватность представленного гибридного 10.31181/oresta19012010129s.
FUCOM-EDAS метода. 17. Pamučar D., Stević Ž., Sremac S. A New Model for Determining Weight
Coefficients of Criteria in MCDM Models: Full Consistency Method
Список литературы (FUCOM) // Symmetry. 2018, vol. 10, no. 9, p. 393. doi:
1. Fanisam M.BN., Dewa B., Ayush M., Yogesh M., Harshal M. Material han- 10.3390/sym10090393.
dling equipment // International Journal of Recent Scientific Research. 18. Rezaei J. Best-worst multi-criteria decision-making method // Omega. 2015,
2018, vol. 9, no. 2, pp. 24083–24085. vol. 53, pp. 49–57. doi: 10.1016/j.omega.2014.11.009.
2. Kay M. G. Material Handling Equipment. Available at: https://peo- 19. Saaty T. L. The analytic hierarchy process: planning, priority setting, re-
ple.engr.ncsu.edu/kay/Material_Handling_Equipment.pdf. source allocation. New York, London: McGraw-Hill International Book Co.
3. Park Y.-B. ICMESE: Intelligent consultant system for material handling 1980.
equipment selection and evaluation // Journal of Manufacturing Systems. 20. Keshavarz Ghorabaee M., Zavadskas E. K., Olfat L. Multi-Criteria Inventory
1996, vol. 15, no. 5, pp. 325–333. doi: 10.1016/0278-6125(96)84195-1. Classification Using a New Method of Evaluation Based on Distance from
4. Onut S., Kara S. S., Mert S. Selecting the suitable material handling equip- Average Solution (EDAS) // Informatica. 2015, vol. 26, no. 3, pp. 435–451.
ment in the presence of vagueness // The International Journal of Advanced doi: 10.15388/Informatica.2015.57.
Manufacturing Technology. 2009, vol. 44, 7-8, pp. 818–828. doi: 21. Galović J. Sustavi automatski vođenih vozila: Završni Rad [Automatic
10.1007/s00170-008-1897-3. Guided Vehicles: Undergraduate thesis]. Zagreb: University of Zagreb.
5. Kulak O. A decision support system for fuzzy multi-attribute selection of ma- 2015. 80 p.
terial handling equipments // Expert Systems with Applications. 2005, vol. 22. Gudelj А., Krčum M., Coric М. Modelling and multiobjective optimization for
29, no. 2, pp. 310–319. doi: 10.1016/j.eswa.2005.04.004. automated guided vehicles at container terminals // 35th Conference on
6. Fisher E. L., Farber J. B., Kay M. G. Mathes: An expert system for material Transportation Systems with International Participation Automation in trans-
handling equipment selection // Engineering Costs and Production Econom- portation. 2015, Zagreb: KoREMA.
ics. 1988, vol. 14, no. 4, pp. 297–310. doi: 10.1016/0167-188X(88)90034- 23. Zavadskas E. K., Turskis Z., Antucheviciene J. Optimization of Weighted
1. Aggregated Sum Product Assessment // Electronics and Electrical Engi-
7. Tuzkaya G., Gülsün B., Kahraman C., Özgen D. An integrated fuzzy multi- neering. 2012, vol. 122, no. 6. doi: 10.5755/J01.EEE.122.6.1810.
criteria decision making methodology for material handling equipment se- 24. MacCrimmon K.R. Decision making among multiple-attribute alternatives: a
lection problem and an application // Expert Systems with Applications. survey and consolidated approach. Santa Monica, California: The RAND
2010, vol. 37, no. 4, pp. 2853–2863. doi: 10.1016/j.eswa.2009.09.004. Corporation. 1968. 63 p.
8. Chakraborty S., Banik D. Design of a material handling equipment selection 25. Pamučar D., Ćirović G. The selection of transport and handling resources
model using analytic hierarchy process // The International Journal of Ad- in logistics centers using Multi-Attributive Border Approximation area Com-
vanced Manufacturing Technology. 2006, vol. 28, 11-12, pp. 1237–1245. parison (MABAC) // Expert Systems with Applications. 2015, vol. 42, no. 6,
doi: 10.1007/s00170-004-2467-y. pp. 3016–3028. doi: 10.1016/j.eswa.2014.11.057.
9. Chan F.T.S. Design of material handling equipment selection system: an 26. Zavadskas E. K., Turskis Z. A new additive ratio assessment (ARAS)
integration of expert system with analytic hierarchy process approach // In- method in multicriteria decision‐making // Technological and Economic De-
tegrated Manufacturing Systems. 2002, vol. 13, no. 1, pp. 58–68. doi: velopment of Economy. 2010, vol. 16, no. 2, pp. 159–172. doi:
10.1108/09576060210411512. 10.3846/tede.2010.10.
10. Mirhosseyni S. H. L., Webb P. A Hybrid Fuzzy Knowledge-Based Expert Материал поступил в редакцию 19.12.2018

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


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* timum equipment for delivering the materials within a fac-
Currently, logistics has been constantly facing new tory. In [7] combined fuzzy sets, the Analytic Network Pro-
challenges and changing faster than in any other period of cess and PROMETHEE method. The AHP method creates
time. The most obvious change is the increased application a hierarchical structure by forming levels and sublevels [8].
of a new technologies, especially information and commu- The integration of the AHP method and expert systems was
nication technologies. Its application and role are visible proposed in [9], within the MHESA (Material Handling
on every step such as electronic identification of packages, Equipment Selection Advisor) system. A hybrid method
satellite tracking of vehicles, automatic guided vehicles, that involves the application of expert systems, fuzzy logic
etc. One of the areas affected by new logistics trends is a and genetic algorithms was presented in [10].
warehousing subsystem. From the history, warehouses The important type of material handling equipment is
have faced many changes, i.e. various technologies have automatic guided vehicles (AGV) which play a key role in
been implemented in warehouses, depending on when each warehouse automation. The advantages set by AGVs in the
of them was active. Currently, we are witnessing that ware- warehouse automation process are reducing staff costs and
houses could be fully automated. Many technological pro- labor costs, increased reliability and productivity, reduced
cesses in a warehouse have been automated, from receiving damage of goods, improved security, managing and con-
and dispatch, internal transportation, packaging, commis- trolling a complete system, etc.
sioning, etc. A set of tools, devices, applications aimed at The main purpose of this paper is to evaluate and select
facilitating the handling of material and products in a ware- an appropriate AGV for performing operations in the ware-
house, but also between, for example, a warehouse and a house system by using a hybrid FUCOM-EDAS model. To
plant, represent Material Handling Equipment. The most the best of our knowledge, there is no studies in the com-
general listed equipment consists of four basic categories bination of FUCOM-EDAS methods to study the evalua-
such as storage and handling equipment, engineered sys- tion and selection of AGVs in a warehouse.
tems, industrial trucks, equipment for bulk material han- The rest of the paper is organized as follows. The first
dling [1]. The main aim of applying new technologies for part contains introduction. The second section lies in the
the mentioned purpose is to save in energy and work force, detailed review of the methods used in the work, which is
which also significantly reduce the price of the final prod- the FUCOM method for obtaining weight coefficients and
uct [2]. The selection and configuration of equipment for the EDAS method for obtaining the best solution of the set
carrying out material handling tasks is very sophisticated model. In the third section, the types of AGVs are ana-
since there are numerous limitations, opposing criteria, un- lyzed. The basic functions of these vehicles are also de-
certainty, a wide range of equipment, etc. [3]. There are scribed in detail. In the fourth section, the selection of
various methods for selecting optimal equipment, and most AGVs is performed based on nine alternatives, i.e. nine au-
of them are based on multi-criteria decision-making along tomatic guided forklift trucks and seven criteria that are
with intelligent solutions such as fuzzy logic [4,5]. In the 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 6. Conclusion
sensitivity analysis. As it can be seen in Fig. 1, the best- Warehousing as a subsystem of logistics is the link in
ranked alternative is A5 and then A3. In Tab. 9, it can be a chain that offers numerous optimization options. This is
seen that these two alternatives are identified as the best particularly prominent in our region since the application
ones, since they obtain identical results by all four meth- of modern technologies is not present as it is the case in
ods, with an advantage being given to alternative A5. By western countries. In the paper, an emphasis is put on ware-
the calculation, other alternatives have lower values and house automation throughout the selection of an optimum
are less ranked than the two above mentioned, as can be automatic guided vehicle - AGV. As a component of ma-
seen in the figure. Position 3 is occupied by alternative A2 terial handling equipment, AGV is a solution that can
according to all methods. At position 4, alternative A1 ac- greatly improve the operation process in the warehouse it-
cording to all methods. Position 5 is taken by alternatives self, and therefore in the entire supply chain. Their use can
A6. Position 6 is occupied by alternatives A7 according to save energy, so that a lower price of a final product can be
WASPAS, SAW and ARAS methods, and A4 according to expected if they are used in manufacturing plants.
MABAC method. At position 7, alternatives A4 according The methods of multi-criteria decision-making are ap-
to WASPAS, SAW and ARAS and A7 are ranked accord- plied daily in the real world, and thus in warehouse sys-
ing to the MABAC method. Position 8 is taken by alterna- tems. The most significant contribution of the paper is re-
tive A9 to all methods. The last position 9 is taken by al- flected in the application of FUCOM-EDAS hybrid model.
ternative A8. 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- integration of expert system with analytic hierarchy process approach // In-
tegrated Manufacturing Systems. 2002, vol. 13, no. 1, pp. 58–68. doi:
cients of criteria where the objectivity and consistency of 10.1108/09576060210411512.
the obtained results could be seen. 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.
Rank

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-
Methods ences: Theory and Applications. 2019, vol. 1, no. 1, pp. 13–28. doi:
10.31181/oresta19012010113n.
Fig. 1. The results of sensitivity analysis 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
The ranking of the alternatives was performed accord- Applications. 2019, vol. 1, no. 1, pp. 29–39. doi:
ing to the EDAS method and the best solution was selected, 10.31181/oresta19012010129s.
i.e. the best automatic guided vehicle - a forklift truck. At 17. Pamučar D., Stević Ž., Sremac S. A New Model for Determining Weight
Coefficients of Criteria in MCDM Models: Full Consistency Method
the end of the paper, a comparison of different multi-crite- (FUCOM) // Symmetry. 2018, vol. 10, no. 9, p. 393. doi:
ria decision-making methods was made for a specific ex- 10.3390/sym10090393.
ample of the selection of automatic guided vehicles 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.
throughout a sensitivity analysis. 19. Saaty T. L. The analytic hierarchy process: planning, priority setting, re-
References source allocation. New York, London: McGraw-Hill International Book Co.
1980.
1. Fanisam M.BN., Dewa B., Ayush M., Yogesh M., Harshal M. Material han- 20. Keshavarz Ghorabaee M., Zavadskas E. K., Olfat L. Multi-Criteria Inventory
dling equipment // International Journal of Recent Scientific Research. Classification Using a New Method of Evaluation Based on Distance from
2018, vol. 9, no. 2, pp. 24083–24085. Average Solution (EDAS) // Informatica. 2015, vol. 26, no. 3, pp. 435–451.
2. Kay M. G. Material Handling Equipment. Available at: https://peo- doi: 10.15388/Informatica.2015.57.
ple.engr.ncsu.edu/kay/Material_Handling_Equipment.pdf. 21. Galović J. Sustavi automatski vođenih vozila: Završni Rad [Automatic
3. Park Y.-B. ICMESE: Intelligent consultant system for material handling Guided Vehicles: Undergraduate thesis]. Zagreb: University of Zagreb.
equipment selection and evaluation // Journal of Manufacturing Systems. 2015. 80 p.
1996, vol. 15, no. 5, pp. 325–333. doi: 10.1016/0278-6125(96)84195-1. 22. Gudelj А., Krčum M., Coric М. Modelling and multiobjective optimization for
4. Onut S., Kara S. S., Mert S. Selecting the suitable material handling equip- automated guided vehicles at container terminals // 35th Conference on
ment in the presence of vagueness // The International Journal of Advanced Transportation Systems with International Participation Automation in trans-
Manufacturing Technology. 2009, vol. 44, 7-8, pp. 818–828. doi: portation. 2015, Zagreb: KoREMA.
10.1007/s00170-008-1897-3. 23. Zavadskas E. K., Turskis Z., Antucheviciene J. Optimization of Weighted
5. Kulak O. A decision support system for fuzzy multi-attribute selection of ma- Aggregated Sum Product Assessment // Electronics and Electrical Engi-
terial handling equipments // Expert Systems with Applications. 2005, vol. neering. 2012, vol. 122, no. 6. doi: 10.5755/J01.EEE.122.6.1810.
29, no. 2, pp. 310–319. doi: 10.1016/j.eswa.2005.04.004. 24. MacCrimmon K.R. Decision making among multiple-attribute alternatives: a
6. Fisher E. L., Farber J. B., Kay M. G. Mathes: An expert system for material survey and consolidated approach. Santa Monica, California: The RAND
handling equipment selection // Engineering Costs and Production Econom- Corporation. 1968. 63 p.
ics. 1988, vol. 14, no. 4, pp. 297–310. doi: 10.1016/0167-188X(88)90034- 25. Pamučar D., Ćirović G. The selection of transport and handling resources
1. in logistics centers using Multi-Attributive Border Approximation area Com-
7. Tuzkaya G., Gülsün B., Kahraman C., Özgen D. An integrated fuzzy multi- parison (MABAC) // Expert Systems with Applications. 2015, vol. 42, no. 6,
criteria decision making methodology for material handling equipment se- pp. 3016–3028. doi: 10.1016/j.eswa.2014.11.057.
lection problem and an application // Expert Systems with Applications. 26. Zavadskas E. K., Turskis Z. A new additive ratio assessment (ARAS)
2010, vol. 37, no. 4, pp. 2853–2863. doi: 10.1016/j.eswa.2009.09.004. method in multicriteria decision‐making // Technological and Economic De-
8. Chakraborty S., Banik D. Design of a material handling equipment selection velopment of Economy. 2010, vol. 16, no. 2, pp. 159–172. doi:
model using analytic hierarchy process // The International Journal of Ad- 10.3846/tede.2010.10.
vanced Manufacturing Technology. 2006, vol. 28, 11-12, pp. 1237–1245. Received 19/12/2018
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