Background: In the present competitive environment manufacturing firms have shifted their production from mass production to mass customization. In this line, a flexible manufacturing system (or FMS) has evolved to the changing requirements. The estimation of fleet size of AGVs has shown to be a critical decision to increase the efficiency of material handling systems by increasing throughput and reduce delay in manufacturing.[4] The initial investment cost and the total life cycle cost of AGV systems rely on the number of AGVs required.   Objectives: The objective of this study is to analyze the optimal fleet sizing of AGVs in terms of the capacity needs of machines/stations and the available capacity of the AGVs working in the production site. The aim of this study is to give potential users of AGVs an optimization model to consider when planning the optimal number of AGVs needed given their capacity needs.   Methods: The methodology presents our contribution to a general model for deciding fleet size with multiple AGV’s defined as a “big system”. In comparison to previous models, we consider how the capacity of AGV’s can change depending on several factors leading to congestion and delay. The study defines these factors, finds the cause behind them and categorizes them to be used as input variables for the model. The methodology explains the important factors needed for implementing the general model for specific cases when conducting the investigation. The final part of the methodology will discuss the reliability and validity of our approach.  Results: the result presents how the general model was applied at the manufacturing company of Emballator Växjöplast AB. The data gathered and information from the capacity analysis were used to measure the demand for transportation, the AGV capacity, and the factors affecting delay and congestion. The values were then used in the model to determine the optimal fleet size for the case. The result gave a high indication for accuracy and that the general model can be used in specific cases. Finally, we conducted an analysis of how delays and congestion affected the supply of transportation as fleet size increases. The result indicated that the optimal fleet size of AGVs that satisfy 35 machines/stations was 1,32 while the theoretical fleet size of AGVs was 1.3. This yielded a result of 98.84% accuracy in estimating the optimal fleet sizing of AGVs in terms of the capacity needs of machines/stations and the available capacity of the AGVs working in the production site. Conclusions: The result shows that the approach of analyzing the capacity needs of the production site and the capacity available to the AGV can accurately be used to estimate the optimal fleet sizing of AGVs. The implication of this study and the optimization model that considers capacity needs and capacity available rather than specific layout characteristics will allow users to cope with the changing requirements of mass customization. The users will consider their demand forecast and use the optimization model to help them plan the optimal fleet sizing of AGVs. / Bakgrund: I den nuvarande konkurrensenskraftiga miljön har tillverkningsföretag skiftat produktion från massproduktion till massanpassning. Därmed har flexible manufacturing system (eller FMS) växt fram till följd av de förändrade kraven. Estimation av fleet size av AGV har visat sig vara ett kritiskt beslut för att öka effektiviteten av materialhanteringssystem genom ökad genomströmning och minskad försening i produktionen.[4] Den initiala investeringskostnaden och den totala livscykelkostnaden beror på antalet AGVer som det finns behov av i produktionen.   Syfte: Syftet med här studien är att analysera det optimala antalet AGVer som det finns behov av i relation till kapacitetsbehovet hos maskiner/stationer och den tillgängliga kapaciteten hos AGV som arbetar i produktionsanläggningen. Målet med den här studien är att förse potentiella användare av AGV med en optimeringsmodell som de kan använda vid planering av antalet AGV som de har behov av givet deras kapacitetsbehov.   Metod: I metoden presenteras vårt bidrag till en generell modell för att bestämma antalet AGV: er för ett system med flera enheter som definieras som ett ”stort system”. Till skillnad från tidigare modeller, så tar vi hänsyn till flera faktorer som orsakar kongestion och fördröjningar. Studien definierar dessa faktorer, finner orsaken till dem, och kategoriserar dem för att kunna tillämpa dem i modellen. Metoden förklarar vikten av varför dess variabler är nödvändiga att mäta när den generella modellen tillämpas för specifika fall när man utför en utredning av fallet. Slutligen avslutas metoden med att diskutera dess trovärdighet och validitet.     Resultat: Resultatet presenterar hur den generella modellen tillämpats på ett produktionsföretag Emballator Växjöplast AB.  Datainsamlingen och information från kapacitet analysen har använts för att mäta transportbehovet, AGV: ens kapacitet och de påverkande faktorer som orsakar fördröjning och kongestion. Dessa värden användes sedan i den generella modellen för att avgöra det optimala antalet AGV: er för fallet. Resultatet indikerar tydligt på att det finns en hög precision av den generella modellen kan tillämpas för specifika fall. Slutligen utför vi en analys om hur fördröjningar och kongestion påverkar transportillförsen i samband med att antalet AGV: er ökar. Resultatet visar att det optimala antalet AGVer som det finns behov av för att förse kapacitetsbehovet av 35 maskiner/stationer var 1.32 medan det teoretiska svaret från optimeringsmodellen visade ett svar på 1.30 AGVer. Detta resulterade i en noggrannhet på 98.84% för att estimera antalet AGVer som det finns behov av givet kapacitetsbehovet från maskiner/stationer och den tillgängliga kapaciteten hos AGVerna som jobbar på produktionsanläggningen.   Slutsatser:  Resultatet av tillvägagångssättet som använts i denna studie, att analysera kapacitetsbehovet i produktionsanläggningen och den tillgängliga kapaciteten hos AGVerna, visade sig vara noggrann för att estimera det optimala behovet av AGVer. Detta innebär att optimeringsmodellen som presenteras i denna studie och som tar hänsyn till kapacitetbehovet snarare än de specifika layoutegenskaperna kommer göra det möjligt för användarna att kunna uppfylla de förändrade kraven på massanpassning. Användaren kommer kunna använda sin prognos på efterfrågan och i samspel med användning av optimeringsmodellen presenterad i denna studie kunna estimera det optimala antalet AGVer som det finns behov av.