计算机的运算方法

计算机的运算方法

C语言中的基本数据类型有：

• 整型（short、int、long、char）
• 浮点型（float、double）
• 指针

考虑到指针的本质是无符号整型，于是归根结底来说就两个类型：整型和浮点型

1. 整型

   存储：

   这个环节以4bit的有符号整型为例

   现今计算机中的int几乎全部以补码形式存储，是因为补码自有他的精妙所在，为了阐述这种精妙，需要引入原码，反码的概念，但这两个东西是已经被淘汰掉的存储形式，因此没必要记忆它们，目前来看，原码补码主要两个用处：一是做卷子用，二是辅助理解补码。

上面是4bit的有符号整型【-8~7】的原码反码和补码。

首先简单粗暴地给出三者的变换规则（考试用）：

由于众所周知的原因，这里只有负数的变换

• 【原码】->【反码】：符号位不动，数值部分按位取反
• 【反码】->【补码】：符号位不动，数值部分末位加一
• 【原码】->【补码】：符号位不动，数值部分取反再加一，但是这里还有一个超近道的方法，就是原码符号位依旧不动，数值部分从右往左遇到第一个1，这个1及其右边的位保持不动，左边全部取反。

发展沿革：

这个环节以8bit的有符号整型为例

关于具体的三种编码的出处没有考究到，但应该是按原码、反码、补码的顺序发展的。

背后的逻辑（并没按这个逻辑讲）

所有编码系统的设计，都在追求连续性和唯一性。
原码，反码和补码的演化，就在不断提高整数编码的这两方面性能。

原码：

那么随着计算机的发展，人们发现要去处理一些负数的计算，怎么办，就拿着计算机的第一位做符号位呗！在原码的规则下编码映射是这样的：

原码的优点：

• 计算机可以表示负数了！
• 从人的视角看编码代表的真值很方便，但是这样的一种映射符号位和数值部分是隔离的，

原码的缺点：

• 计算机运算很不方便！这样的编码下符号位和数值部分是隔离的，想象一下5+（-3），计算机先要看二者是异号，然后看二者绝对值，谁大结果采取谁的符号，最后做运算。这一个加法的硬件设计将会很麻烦。

  能不能让符号位也像普通数值位一样一起参与运算？

• 有如图所示的有两个编码都映射到0

• 一些临界点运算会出错（后面将展示）

反码：

为了给底层的加法运算简化硬件设计，有了补码，其映射关系是这样的：

反码怎么来的，就是原码的数值部分按位取反，

反码的优点：

• 解决了最重要的加法硬件设计复杂（或者依赖减法器）的问题，现在的加法器只要无脑相加就能得到正确的结果，不用再单独考虑符号位了。

反码的缺点：

• 但是！没有解决真值0的重复映射问题
• 在一些临界点运算还会出错（后面将展示）

补码

结局是补码解决了后两个问题：

从此加法器只要开足马力求和就好了，编码的精妙使得硬件很容易实现。但是即便是补码也还是会有溢出问题，但是！溢出是程序员的错，不是CPU的错。

前面三种方法在处理临界点数据的表现：

红色代表错了，蓝色正确

补码的精妙：

仍以8bit有符号整型为例

历史为什么会选择补码？当然是它解决了以上的种种问题，现在问题是为何它就能解决呢?

1. 第一：0的重复映射问题

   在补码的编码下，原来的0x80被映射给了-128，这样2^8个编码有各自的映射对象。

2. 第二：为什么编码加减结果正好可以代表对应数的计算结果

   补码编码精髓在于对负数的处理，负数的补码被定义成2^n+x

   这样对于任意的a，c,(a>0,c>0)考虑a-c

   1. a>c结果肯定是正数 a-c=a+(2^n-c) mod 2^n=a-c 没问题
   2. a<c结果肯定是负数 a-c=a+(2^n-c) mod 2ⁿ⁼²n+(a-c) 没问题，结果正好就是a-c的补码

3. 第三：为什么反码不能解决这两个问题

   负数的反码是对x<0,其补码为2^n-1+x

   同样对于任意的a，c,(a>0,c>0)考虑a-c

   1. a>c结果肯定是正数 a-c=a+(2^n-1-c) mod 2^n=a-c -1 这显然不行
   2. a<c结果肯定是负数 a-c=a+(2^n-1-c) mod 2ⁿ⁼²n-1+(a-c) 没问题，这种情况下是正确的
   3. 当然容易知道a=c时也是正确的

补充：

余数定理：

如果a ≡ b (mod m)，c ≡ d (mod m) 那么:

(1)a ± c ≡ b ± d (mod m)

(2)a * c ≡ b * d (mod m)

补码的映射关系如图：

小结：int的情况只不过时数量上的扩充，至于无符号数就是跟钟表完全一样的循环转圈

2. 浮点型

   以单精度浮点数为例

IEEE754格式

日常开发中不可能只用整型，肯定有使用小数的场景，给你一个32bit的位置，可以用差不多40亿个不同的数编码，那么如何映射这些编码映射的范围更广呢？答案是采用浮点数格式，也即

这就是现行IEEE754标准进行对单精度浮点数的定义：

• 一个符号位是刚需
• 8是指数的存储空间，这个决定了浮点数上下所能达到的范围
• 23是尾数（有效数）的空间，这个决定了浮点数的精度
• 8和23是精度和范围权衡的结果

这样的一个32位编码映射到的小数是这样的：

补充概念：

移码：对 X 加上一个常数 2^(n-1)，也就是上面的Bias,把 X 本身转换为一个正数，再以正数编码。

练习：

1. 用IEEE754单精度表示-0.75(10进制)

   1. 化为二进制小数：-0.11

   2. 用规格化科学记数：-1.1X2^(-1)

   3. 对比上面的式子写出三个部分的值

      1. S=1
      2. Fraction=0.10000000000000000000000（小数点后23位）
      3. Exponent=-1+bias=-1+127=126=01111110（二进制）

   4. 一个萝卜一个坑

2. 二进制转十进制浮点数

   0xc0a00000

   1. 写成二进制并按格式拆分：1 10000001 0100000000000000000000
   2. 写出三部分的值
      1. S=1
      2. Fraction=0.25
      3. Exponent=129
   3. 计算十进制浮点数
   4. -1.25*2^2=-5

为什么偏移是127？为什么要把指数偏移一下？

浮点数运算

练习：

0.5和-0.4375相加（使用4位精度）

先将二者化为规格化科学记数法：0.5=1.000x2^-1 -0.4375=-1.110x2^-2

1. 将最小指数的数的有效位进行右移，直到其指数和较大数匹配：-1.110x2^-2=-0.111x2^-1
2. 将有效数相加-0.111x2^-1 + 1.000x2^-1 = 0.001x2^-1
3. 将和规格化并检查上溢和下溢0.001x2^-1 = 1.000x2^-4
4. 舍入和 这里不需要舍入1.000x2^-4 =0.0625（10进制）

0.5和-0.4375相乘（使用4位精度）

1. 将不带偏阶的指数相加 （-1）+（-2）= （-3）
2. 有效数相乘：1.000 *1.110=1.110x2^-3
3. 检查有效数的积是否规格化，这里是的；检查指数是否上溢和下溢，这里127>-3>-126，没问题
4. 对积舍入
5. 定符号 结果-0.21875

总结：

1. int的范围是-2^31~2^31-1，两个特殊点是0xffffffff=-1,0x80000000=-2^31
2. float的可表示范围是

参考资料：

【1】原码、反码、补码的产生、应用以及优缺点有哪些？ - 达达手写的回答 - 知乎