对Nelder-Mead的两点建议：
1)将所有x对齐到函数内部的网格，比如.01：

x = np.round( x / grid ) * grid
f = ...

这在高维中充当简单的噪声过滤器（在2d或3d中，不用麻烦）。
2)从2d+1个邻近点中最好的d+1个开始，而不是通常的d+1：

def neard1( func, x, h, verbose=1 ):
    """ eval func at 2d+1 points x, x +- h
        sort
        -> f[ d+1 best values ],  X[ d+1 ] 
        to start or restart Nelder-Mead
    """
    dim = len(x)
    I = np.eye(dim)
    np.fill_diagonal( I, h )  # scalar or vec
    X = x + np.vstack(( np.zeros(dim), I, - I ))
    fnear = np.array([ func( x ) for x in X ])  # 2d+1
    f0 = fnear[0]
    up = np.argsort( fnear )  # vec func: |fnear|
    if verbose:
        print "neard1: f %g +- %s  around x %s" % ( 
            f0, fnear[up] - f0, x )
    bestd1 = up[:dim+1]
    return fnear[bestd1], X[bestd1]

查看Nelder-Mead之后的neard 1（）值也是个不错的主意，可以了解func（）在那里的样子。
如果任何邻居比N-M个“最佳”更好，则从新的单纯形重新开始N-M。（可以交替neard 1，N-M，neard 1，N-M：简单但非常依赖于问题。）
你有多少个变量，你的函数有多嘈杂？
希望这能帮上忙

根据http://docs.scipy.org/doc/处的参考：
方法Nelder-Mead使用单纯形算法[R123]，[R124]。该算法在许多应用中取得了成功，但使用一阶和/或二阶导数信息的其他算法可能更好，因为它们通常具有更好的性能和鲁棒性。
因此，建议使用完全不同的算法。注意：
方法BFGS使用Broyden、弗莱彻、Goldfarb和Shanno（BFGS）[R127]第136页的准牛顿法。它仅使用一阶导数。BFGS已被证明即使对于非平滑优化也具有良好的性能。此方法还返回Hessian逆的近似值，存储为OptimizeResult对象中的hess_inv。
BFGS听起来更健壮，整体速度更快。
肺动脉高压RG

添加一个更当前的答案以防有人遇到这个问题。scipy.optimize.minimize()的最新实现允许你传入一个初始单纯形作为参数。查看文档了解细节。我发现它非常有帮助，因为我也遇到过默认初始单纯形太小的问题。