用NSGA2算法解决一个VRP模型随机生成一个仓库和一百个客户坐标及客户配送需求横纵坐标在0到50以内需求在2-10之间车辆容量约束为100车辆行驶速度为40在0到8之间随机生成每个客户的预期配送到达时间目标函数有两个一个是成本最小成本包括车辆使用的固定成本和路径行驶成本每辆车固定成本为500路径行驶成本与行驶距离成正比比例系数是005第二个是客户满意度最大客户满意度是客户期望配送到达时间减去实际

由于该题涉及到较多的复杂计算和操作，需要使用较多的库和函数，以下是一份可能的解答代码（注：代码仅供参考，可能存在错误和不完善之处，需要自行验证和改进）：

import random
import numpy as np
import matplotlib.pyplot as plt
from platypus import NSGAII, Problem, Real, Integer, Subset, nondominated
from scipy.spatial import distance

class VRP(Problem):
    def __init__(self, n_customers):
        # 定义决策变量
        super().__init__(n_customers+1, 2, 2)
        self.types[:] = [Real(0, 50) for i in range(n_customers)] + [Subset(range(n_customers), 1)]
        self.constraints[:] = "<=0"

        # 定义客户需求
        self.demand = [random.randint(2, 10) for i in range(n_customers)]

        # 定义车辆容量
        self.capacity = 100

        # 定义车辆行驶速度和固定成本
        self.speed = 40
        self.fixed_cost = 500

        # 定义预期配送到达时间
        self.expected_time = [random.uniform(0, 8) for i in range(n_customers)]

    def evaluate(self, solution):
        # 计算路径距离和时间
        routes = self.get_routes(solution.variables)
        distances = [self.get_distance(route) for route in routes]
        times = [self.get_time(route) for route in routes]

        # 计算成本
        cost = sum([self.fixed_cost + distance * 0.05 for distance in distances])

        # 计算客户满意度
        satisfaction = sum([(self.expected_time[i] - times[solution.variables[-1][i]]) * (0.8 if self.expected_time[i] - times[solution.variables[-1][i]] > 0 else 1.3) for i in range(len(self.expected_time))])

        # 设置目标函数
        solution.objectives[:] = [cost, -satisfaction]

    def get_distance(self, route):
        distance = 0
        for i in range(len(route)-1):
            distance += distance.euclidean(route[i], route[i+1])
        return distance

    def get_time(self, route):
        time = 0
        demand = 0
        for i in range(len(route)-1):
            time += distance.euclidean(route[i], route[i+1]) / self.speed
            demand += self.demand[i]
            if demand > self.capacity:
                time += 2 * (demand - self.capacity) / self.capacity
                demand = 0
        time += distance.euclidean(route[-1], [0, 0]) / self.speed
        return time

    def get_routes(self, variables):
        routes = []
        for subset in variables[-1]:
            route = [variables[i] for i in subset]
            route = sorted(route, key=lambda x: distance.euclidean(x, [0, 0]))
            route = [[0, 0]] + route + [[0, 0]]
            routes.append(route)
        return routes

n_customers = 100
problem = VRP(n_customers)

algorithm = NSGAII(problem)
algorithm.run(1000)

front = nondominated(algorithm.result)

plt.figure(figsize=(8, 8))
for solution in front:
    routes = problem.get_routes(solution.variables)
    for route in routes:
        x = [point[0] for point in route]
        y = [point[1] for point in route]
        plt.plot(x, y, '-o')
plt.xlabel('x')
plt.ylabel('y')
plt.title('Vehicle Routing Problem')
plt.show()

解释一下代码的主要部分：

1. 定义VRP类，继承自Problem类。其中定义了决策变量、客户需求、车辆容量、车辆行驶速度和固定成本、预期配送到达时间等属性，以及evaluate()函数用于计算目标函数。
2. 在evaluate()函数中，先计算出路径距离和时间，再根据距离计算成本，根据时间和客户满意度计算客户满意度，最后设置目标函数。
3. 定义get_distance()函数和get_time()函数，用于计算路径距离和时间。
4. 定义get_routes()函数，用于根据决策变量和子集生成路径。
5. 使用NSGAII算法求解问题，并得到帕累托前沿。
6. 可视化帕累托前沿和车辆配送路径，其中用到了matplotlib库的绘图功能。

需要注意的是，该代码只是一个可能的解答，还有许多细节和参数需要根据具体情况进行调整和优化。