私はscipy.optimize.optimizeの関数のいくつかに精通しており、かつては微分を知っていた関数を最小限に抑えるためにfmin_cgを使っていました。しかし、私は今、容易に差別化されない式を持っています。派生のないPython関数の最小化
このモジュールの関数（fmin_cgなど）のいくつかは、実際には派生物を提供する必要はありません。私は順番に各パラメータに小さな値を加えることでクォージー・デリバティブを計算すると仮定します - それは正しいですか？
私の主な質問は次のとおりです。与えられた派生物のない複数のパラメータに対して関数を最小化するときに、どの関数（または他の関数）を使うのが最適でしょうか？
それを混同しないでください。
あなたのアプリケーションに最適なのはどちらですか？ は、あなたの機能がどのくらい滑らかで、何個の変数があるかに大きく依存しています。
プレーンNelder-Mead、fminは、最初の良い選択です。 残念ながら、scipy Nelder-Meadは、xのスケールに関係なく、固定サイズのシンプレックス（.05/.00025）から始まります。
私はscipy.optimize.tncでfmin_tncが良好であることを聞いた：
fmin_tnc(func, x0, approx_grad=True, epsilon=.001 ...) or
fmin_tnc(func_and_grad, x0 ...) # func, your own estimated gradient
（fmin_tncがバウンド制約、何が起こっているかを見るために素敵なメッセージ、多少異なる引数を持つ〜fmin_ncgです。）
私はSciPyで利用できるものに慣れていませんが、Downhill Simplexメソッド（別名Nelder-MeadまたはAmoebaメソッド）は多次元最適化でよく機能します。
を見ると、method='Nelder-Mead'引数を使用してminimize()関数のオプションとして利用できるようです。
は(func(x + epsilon I) - func(x))/epsilonによってxでの勾配を推定
fmin_xx(func, x0, fprime=None, epsilon=.001 ...)
fmin_bfgs fmin_cg fmin_powellのいずれかを呼び出して、はい...線形計画のためのシンプレックス（ダンツィーク）アルゴリズムで
また、[fmin]（http://docs.scipy.org/doc/scipy-0.10.1/reference/generated/scipy.optimize.fmin.html#scipy.optimize.fmin）関数 –
あなたがについて正しいです導関数（ヤコビアン）を数値的に近似する方法。私は 'scipy.optimize.leastsq'を使ってこれを見てきました。 – wim
ちょうど興味深いですが、いくつの変数がありますか？ – denis