Python 使用scipy最小化函数

我有一个loglikelion函数，它是一个很长的客户列表的和，一些单独的loglikelion函数，我想使用scipy.optimize.minimize（）方法对它进行优化

def log_似然_个体（r、alpha、a、b、x、tx、t）：
ln_a1=gammaln（r+x）-gammaln（r）+r*log（alpha）
ln_a2=gammaln（a+b）+gammaln（b+x）-gammaln（b）-gammaln（a+b+x）
ln_a3=-（r+x）*对数（α+t）
a4=0
如果x>0：
a4=exp（对数（a）-log（b+x-1）-（r+x）*对数（α+tx））
返回ln_a1+ln_a2+日志（exp（ln_a3）+a4）
def记录可能性（r、阿尔法、a、b、客户）：
如果r一般性问题引发一般性答案；）

由于条件初始值较差，我的大多数拟合尝试都失败（即不收敛）。问问自己：


params0=np.array（[1,1,1,1.]）
真的是一个很好的初始猜测吗
您是否也尝试过
params0=np.array（[0,0,0,0.]）
或任何其他组合（暴力）
您能否创建一个示例集，让您知道参数的理想值？你试过装它吗

如果上述问题都无法解决，那么问题似乎更复杂，但90%的拟合问题都可以通过回答上述问题来解决。
感谢您的建议，确实参数并不理想，我对其进行了一点修改，但我仍然没有得到任何结果，因为我的猜测完全是经验性的。目前我最好的猜测是：[2.5,10,0.001,10]那么，一个测试子集如何？创建一组可能有10个客户的集合，您知道结果应该是什么。它收敛吗？如果收敛，拟合参数是否接近已知的最佳拟合？谢谢你的建议，我会尝试。如果解决方案适合你，请其他用户查看是否存在解决方案。非常感谢。
def log_likelihood_individual(r, alpha, a, b, x, tx, t):
    ln_a1 = gammaln(r + x) - gammaln(r) + r * log(alpha)
    ln_a2 = gammaln(a + b) + gammaln(b + x) - gammaln(b) - gammaln(a + b + x)
    ln_a3 = -(r + x) * log(alpha + t)
    a4 = 0
    if x > 0:
        a4 = exp(log(a) - log(b + x - 1) - (r + x) * log(alpha + tx))
    return ln_a1 + ln_a2 + log(exp(ln_a3) + a4)


def log_likelihood(r, alpha, a, b, customers):
    if r <= 0 or alpha <= 0 or a <= 0 or b <= 0:
        return -np.inf
    c = sum([log_likelihood_individual(r, alpha, a, b, x, tx, t) for x, tx, t in customers])
    return c


def maximize(customers):
    negative_ll = lambda params: -log_likelihood(*params, customers=customers)
    params0 = np.array([1., 1., 1., 1.])
    res = minimize(negative_ll, params0, method='CG')
    return res