目标：配送次数最少：c是第几个节拍，tc是0-1变量，0表示这一节拍不出发，1出发。 例如：T1=1,表示第一个节拍出发，T2=0，第二个节拍不出发。 min∑_(C=1)^C▒T_C 条件： 使用量：TC取值为1的第几个C，与前一个C的差值，vl是消耗速率。n是第几个TC取值为1的C。（例如111010，n=2-1,3-2,5-3） U_l=(C_n-C_(n-1) )·v_l 到达之前剩余的数量不低于要求最小数量：rnl是出发的时候剩余的数量，D（a，l）是出发点到需求点的距离，v是车的速度。E是要求的需求点剩余数量的最小数量。T是总量。 r_nl=T（除了第一次是T剩余时间是T'）-U_l T一开始处于饱和状态，后来进行补充会发生变化变成T’。 r_nl-(D_((a,l) ) v_l)/v≥E_L 到达之后所有的数量之和不超过最大的数量：An是车对应需求点分别装在车上的数量，F是要求的需求点容量的最大数量。。 〖T^'=r〗_nl-(D_((a,l) ) v_l)/v+A_nl≥F_L 车能够装的起需求点需求的数量的总共重量，L是车能装的最大量。 ∑_(l=1)^L▒〖A_nl≤〗 L_max输出：（1）迭代图像（2）TC（哪几个时间段出发）（3）Anl（第几次出发的时候对应需求点的数量分别是多少）。遗传算法，matlab代码。

以下是使用遗传算法求解该问题的Matlab代码：

clc
clear
close all

% 参数设置
C = 6; % 节拍数
n = 5; % 客户数
T = 100; % 需求总量
v = 30; % 车速
L = 3; % 车辆容量
L_max = 2; % 车辆最大数量
vl = [10, 5, 8, 4, 6]; % 消耗速率
E = 0.5; % 剩余数量最小值
F = 0.8; % 需求点容量最大值

% 生成初始种群
pop_size = 20; % 种群大小
pop = randi([0, 1], pop_size, C); % 随机生成种群

% 迭代设置
max_iter = 100; % 最大迭代次数
fit_vals = zeros(max_iter, 1); % 适应度值记录
best_pop = zeros(1, C); % 最佳个体记录
best_fit = inf; % 最佳适应度值记录

% 迭代优化
for iter = 1:max_iter
    % 计算适应度值
    fit_pop = zeros(pop_size, 1);
    for i = 1:pop_size
        % 计算配送次数
        T_C = sum(pop(i, :));
        % 计算剩余数量
        r_nl = zeros(1, n);
        r_nl(1) = T;
        for j = 2:n
            if pop(i, j-1) == 1
                r_nl(j) = r_nl(j-1) - vl(j-1);
            else
                r_nl(j) = r_nl(j-1);
            end
        end
        % 计算到达时间
        t_arrive = zeros(1, n);
        t_arrive(1) = 0;
        for j = 2:n
            if pop(i, j-1) == 1
                t_arrive(j) = t_arrive(j-1) + sqrt((j-1)^2 - (j-2)^2) / v;
            else
                t_arrive(j) = t_arrive(j-1);
            end
        end
        % 计算车辆装载情况
        A_nl = zeros(1, n);
        l = 1;
        for j = 1:n
            if r_nl(j) >= E && A_nl(l) + vl(j) <= L
                A_nl(l) = A_nl(l) + vl(j);
            else
                l = l + 1;
                A_nl(l) = vl(j);
            end
        end
        % 计算约束条件是否满足
        flag = true;
        for j = 1:n
            if r_nl(j) - t_arrive(j) * v < E * vl(j)
                flag = false;
                break;
            end
            if sum(A_nl(1:j)) > F * T
                flag = false;
                break;
            end
        end
        % 计算适应度值
        if flag
            fit_pop(i) = T_C;
        else
            fit_pop(i) = inf;
        end
    end
    % 记录最佳个体和适应度值
    [min_fit, min_idx] = min(fit_pop);
    if min_fit < best_fit
        best_fit = min_fit;
        best_pop = pop(min_idx, :);
    end
    fit_vals(iter) = min_fit;
    % 选择、交叉、变异
    new_pop = zeros(pop_size, C);
    for i = 1:2:pop_size
        % 选择
        idx1 = randi([1, pop_size]);
        idx2 = randi([1, pop_size]);
        if fit_pop(idx1) < fit_pop(idx2)
            parent1 = pop(idx1, :);
        else
            parent1 = pop(idx2, :);
        end
        idx1 = randi([1, pop_size]);
        idx2 = randi([1, pop_size]);
        if fit_pop(idx1) < fit_pop(idx2)
            parent2 = pop(idx1, :);
        else
            parent2 = pop(idx2, :);
        end
        % 交叉
        if rand() < 0.9
            cut_idx = randi([1, C-1]);
            child1 = [parent1(1:cut_idx), parent2(cut_idx+1:end)];
            child2 = [parent2(1:cut_idx), parent1(cut_idx+1:end)];
        else
            child1 = parent1;
            child2 = parent2;
        end
        % 变异
        if rand() < 0.01
            mutate_idx = randi([1, C]);
            child1(mutate_idx) = 1 - child1(mutate_idx);
            child2(mutate_idx) = 1 - child2(mutate_idx);
        end
        % 加入新种群
        new_pop(i, :) = child1;
        new_pop(i+1, :) = child2;
    end
    pop = new_pop;
end

% 输出结果
disp("最佳个体：");
disp(best_pop);
disp("最佳适应度值：");
disp(best_fit);
disp("适应度值变化：");
plot(fit_vals);
xlabel("迭代次数");
ylabel("最小配送次数");

输出结果包括最佳个体（即在哪些节拍进行配送），最佳适应度值（即配送次数最少的配送方案所需要的配送次数），以及适应度值随迭代次数变化的图像。