復雜的單目標優化問題是進化計算領域的一個研究熱點問題．已有差分進化和協方差進化被認為是處理該問題的較有效的方法，其中差分信息類似于梯度可以有效的指導算法朝著最優解方向搜索，而協方差則是基于統計的方式來生成較優的子代種群．本文引入了協方差信息對差分算子進行改進。提出了一種基于鄰域差分和協方差信息的進化算法（DEAfNC）來處理復雜的單目標優化問題．算法對現有差分算子中通常采用的隨機選點或結合當前最優解進行差分的方式進行了分析，當隨機選擇的差分個體間的差異較大時。差分信息不能作為一種局部的梯度信息來指導算法的搜索：而結合最優解的差分信息又會使得種群朝著當前最優解的方向搜索，導致種群快速的陷入局部最優，基于此，本文采用了鄰域差分的方式來提高差分算子的有效性，同時避免種群的多樣性丟失．另外，引入了協方差來度量個體變量間的相關度。并利用相關度來優化差分算子，最后，算法對cec2014中的單目標優化問題進行了測試。并將實驗結果與已有的較好的差分進化算法進行了比較。實驗結果表明了本算法的有效性．