我正在尝试使用 scipy.minimize(method='Nelder-Mead') 中实现的 Nelder-Mead 来最小化一个函数。该函数有大约 30 个输入，但我一直在按顺序优化（即优化前 5 个，保持其余 25 个固定，然后逐渐增加要最小化的变量数量）。（我没有使用基于梯度的，因为我的目标函数中存在模拟噪声，对于太小的步长和不可靠的梯度来说，它是不平滑的）。
但是，迭代非常缓慢。如果我对单个函数评估的步骤进行计时，大约需要 60 秒，但优化中的每次迭代都很慢，至少慢于 10 分钟。我正在使用回调函数选项来衡量所花费的时间。
它在每次迭代中做了什么？在初始单纯形中实际上需要 N^2 步吗？算法的每一步都做了什么？我知道它与 Matlab 实现不同，每次迭代只需要一个步骤（如果它正在缩小或扩展单纯形，有时会更多）。还是只是回调函数何时被调用的问题？
顺便说一句，我在 Jupyter 笔记本中运行它。但是我已经运行了 3 天以上，只完成了 221 次迭代和 20 个变量需要优化；平均每次迭代超过 20 分钟。