使用nsga2算法求解双目标VRP问题目标之一是最小成本求得结果和单独使用遗传算法求解的最小成本结果是相近的这是为什么？

NSGA2算法和遗传算法都属于进化算法的范畴，它们都采用基因型和表现型之间的映射关系来进行优化，且都使用了交叉和变异等操作来产生新的解，具有相似的优化思路。因此，从理论上来说，NSGA2算法和遗传算法都可以用于解决多目标优化问题，且结果相近是可能的。

具体来说，在解决双目标VRP问题时，NSGA2算法采用了多个目标函数来评价每个解的质量，通过对目标函数进行加权或归一化等操作，可以得到每个解在不同目标下的综合表现。而遗传算法则通常只采用一个目标函数来评价每个解的质量，因此在优化过程中可能会出现局部最优解的问题。

另外，NSGA2算法在选择操作时采用了拥挤度算子，可以更好地维护种群的多样性，防止出现早熟收敛的情况，从而使得结果更加优秀。因此，在解决双目标VRP问题时，NSGA2算法相对于遗传算法可能会更加有效，且结果更加稳定。