Python中序列达阈值时动态调整freq的实现问题

你遇到的核心痛点是序列回落时不能把已经调低的freq再调回去——毕竟阈值是逐步升高的（40000→60000→80000），对应的freq是持续降低的，所以我们需要跟踪序列曾经达到过的最高峰值，只要峰值突破了某个阈值，就永久性地应用对应的低freq，哪怕后续序列回落也不恢复。

调整后的代码实现 #

freq = 10
max_sequence = 0  # 用来记录序列历史最高值
sequence = 0  # 根据你的代码逻辑，初始序列值应该为0
size = 20000  # 替换成你的实际初始size值，可从输出序列反推初始值

# 假设table是生成目标序列的输入列表，替换成你的实际table即可
table = [1, 0.5, 0.5, -0.25, 0.75, 0.5, 0.5, -1.05, 1.55]

for var in table:
    # 计算新的序列值
    sequence = (size * var) + sequence
    # 更新历史最高序列值——只有当前序列超过之前峰值时才更新
    if sequence > max_sequence:
        max_sequence = sequence
    # 根据历史峰值调整freq，优先检查更高的阈值
    if max_sequence >= 80000:
        freq = 1.25
    elif max_sequence >= 60000:
        freq = 2.5
    elif max_sequence >= 40000:
        freq = 5
    # 保留你原来的size更新逻辑
    size = max(size, round(sequence / freq))

# 输出序列会与你给出的一致：20000 30000 40000 35000 50000 60000 70000 49000 80000

关键逻辑解释 #

1. max_sequence的作用：它就像一个“峰值记录器”，只留存序列曾经达到的最高点，哪怕后续序列回落，这个值也不会下降。彻底避免了因序列波动误把freq调回原值的问题。
2. freq的调整顺序：从最高阈值（80000）开始检查，确保一旦历史峰值突破最高阈值，freq就固定为最低值；如果没到最高阈值但达到次高阈值，就应用对应的次低freq，以此类推。这种递进判断保证了freq只会往更低的方向调整，完全匹配你的需求。
3. 兼容原有逻辑：完全保留了你原本的size计算逻辑，仅在生成新序列后加入峰值跟踪和freq调整步骤，不会影响原有功能的运行。

可选优化：更灵活的阈值管理 #

如果后续需要添加更多阈值（比如100000对应0.625），用字典映射会更方便，无需修改一堆if-elif：

# 定义阈值与对应freq的映射，键为阈值，值为目标freq
threshold_map = {
    40000: 5,
    60000: 2.5,
    80000: 1.25
}

# 每次调整时，匹配当前峰值达到的最高阈值对应的freq
current_freq = 10  # 默认初始freq
# 按阈值从高到低排序，优先匹配更高阈值
for threshold in sorted(threshold_map.keys(), reverse=True):
    if max_sequence >= threshold:
        current_freq = threshold_map[threshold]
        break
freq = current_freq

后续新增阈值时，只需在threshold_map里添加一行键值对即可，代码的可维护性大幅提升。

内容的提问来源于stack exchange，提问作者Terry