计算机组成原理：为什么浮点数运算不精确？（包含阿里笔试）

(1)
float a = 0.125f; 
double b = 0.125d;
System.out.println((a - b) == 0.0); 
代码的输出结果是什么？

A. true
B. false

(2)
double c = 0.8;
double d = 0.7;
double e = 0.6;

那么 c-d 与 d-e 是否相等？

A. true
B. false

(3)
System.out.println(1.0 / 0); 的结果是什么？

A. 抛出异常
B. Infinity
C. NaN

(4)
System.out.println(0.0 / 0.0); 的结果是什么？

A. 抛出异常
B. Infinity
C. NaN
D. 1.0


(5) 引用自《技术之瞳》
以下数字在表示为double(8字节的双精度浮点数)时存在舍入误差的有：

A 100 
B 根号2 
C 10^30
D 0.1 
E 0.5

(6) 
写出float x 与“零值”比较的if语句

1.计算机中数据的表示方法
对于整数来说，大家都知道8位有符号整数可以表示[-128,127]，8位无符号整数可以表示[0,255]，不管怎么样，8位二进制无论如何也只能表示256个整数。当需要表示257这个数，有且只有两个办法：

1、增加位数，例如9位二进制可表示的数值范围就可以容纳257这个数
2、改变编码规则，例如规定真值是在机器数的基础上加一，这样的话，0000,0000就表示数1，1111,1111就表示数257。（事实上，这就是移码的事情）

这就是计算机的自有属性，数字计算机只能处理离散数据，二进制的位数直接决定了它能表示的离散数据个数，也决定了它所能表示的信息个数，对于n位二进制数，它可以表示的信息量为2N2^N2N。
同理，我们把问题域扩展到全体实数，8位二进制同样也只能表示256个实数。假如约定这样一种8位编码：最低两位为小数区域，其余是整数区域，这样就有：
000000.00 // 表示 0.0
000000.01 // 表示 0.25
000000.10 // 表示 0.5
000000.11 // 表示 0.75
000001.00 // 表示 1.0
000001.01 // 表示 1.25
… 此处省略

我们发现，介于0.0到0.25的数字被跳过了，而即使把小数区域的位长扩大到8位、16位、甚至一个极大的位数，也无法充分表示介于0.0到0.25所有的数。这是因为，在0.0到0.25之间的数是连续的，有无限多个数，但是有限的N位长二进制最多只能表示2N2^N2N个信息量，有限的信息量无法表示无限的数据量，这就是现实世界与计算机世界的矛盾。
1.1 定点数表示
实数有两种表示格式，分别是定点数和浮点数。像上面说的这种约定整数部分和小数部分为固定位置的格式，就是定点数表示。

定义：
定点数（fixed point numbers） 约定机器数中的小数点总是固定在某个特定的位置。

格式：
分为符号位、整数部分、隐含的小数点、小数部分。

特点：
整数部分和小数部分位长固定，当需要表示绝对值特大或者特小的数需要很大的空间。

1.2 浮点数表示
我们已经知道32位二进制可以表示的信息量有232≈4∗1092^{32}\approx 410^{9232≈4∗109，但是很多语言都会宣称它们的32位单精度浮点数的数值范围约为−3.4∗1038～3.4∗1038-3.4*10}{38}～ 3.410^{38}−3.4∗1038～3.4∗1038（左右边界），这是因为采用了浮点数格式。

定义：
浮点数（floating point numbers）使用科学计数法存储数字，小数点的位置根据指数的大小而浮动。

格式：
分为符号位、指数、尾数 ：

N=2E∗MN=2^E*MN=2E∗M

特点：
一部分位作为指数，可以扩大所表示的数值范围

意义：
是数字计算机表示实数的格式，并以IEEE 754 (IEEE Standard for Binary Floating-Point Arithmetic)为标准。

1.3 定点数和浮点数的区别

表示范围：浮点数一部分位为指数，相同位长，浮点数格式所能表示的数值范围远远大于定点数格式；
精度大小：浮点数格式只有一部分位是有效数值位，相同位长，浮点格式的精度比定点格式低；
运算复杂度：浮点数主要包括指数和尾数两部分，运算时需要对阶、尾数计算、规格化等步骤，浮点运算比定点运算复杂；
溢出：定点运算在数超过可表示数值范围即发生溢出；在浮点运算中，只有规格化后数值超过指数所能表示的范围才溢出。
一个虚数上相当于两个实数，所以我们只需要关心实数在计算机中的表示即可，将一个实数装载入计算机需要分为三个步骤：

1.4 转换为二进制数格式
这个步骤可能损失精度，换句话说，有些数会损失精度，而有些数不会，这取决于表示这个数需要的信息量和浮点数的存储格式

无理数（无限不循环小数） 包含的信息量是无限的，例如圆周率π\piπ，没有任何一本书能够写到圆周率最后一位，java.lang.Math.PI也只是π\piπ的近似值，类似的，使用有限的二进制位自然无法精确表示；

有限循环小数包含的信息量是有限的，它的信息量分为整数部分+小数不循环部分+小数循环部分，例如1.8333333…=1.83‾1.8333333… = 1.8\overline{3}1.8333333…=1.83。但是浮点数的表示方法分为符号位、指数区域和尾数区域，并不会单独用一块区域来存储循环的部分，因此有限循环小数也无法精确表示；

最后剩下整数和有限小数，它们包含的信息量也是有限的，关键看是否有因子5。举两个例子：0.1和1万亿，请问哪个数能用二进制数精确表示？

从十进制看，0.1拥有2个信息量（个位数为0，第一位小数为1），1万亿拥有一万亿个信息量，二选一的话，肯定是选择信息量更低的0.1。但是，从二进制看，我们会发现0.1转换为二进制居然是一个无限循环小数0.00011‾0.0\overline{0011}0.00011（将整数部分除2取余、小数部分乘2取整来完成转换），所以答案是：1万亿可以精确表示，而0.1无法精确表示！
事实上，在0.1 到 0.9 的 9 个小数中，只有 0.5 可以用二进制精确的表示。怎么理解呢？我们把1想象成一个圆，在十进制里，它可以划分为10等分；但在二进制里，它只能划分为2等分。
也就是说二进制里一位，要么表示0，要么表示一半，它没有办法像十进制那样表示3/10、4/10、6/10… 1的一半在十进制里是什么？0.5，所以二进制可以精确表示0.5，任何包含因子5的数都可以用二进制精确表示。无法精确表示的数字，存储值只能是真实值的近似表示。

提示： 类似地，思考下十进制数格式可以精确表示1/3吗？

在 IEEE 754 标准规定指数区域全0 或 全1为特殊值，具体如下：

1.5 非规范化数（Denormalized Number）

定义：指数域全0，尾数域不为0（去掉隐含整数域为1的约定）
意义：可以保存绝对值更小的数，所有可表示的浮点数的差值都可以表示

+0/-0

定义：指数域全0，尾数域全0（去掉隐含整数域为1的约定）。IEEE 754 未要求具体的尾数域，意味着NaN不是一个而是一族。
意义：符号位为0是+0，符号位为1是-0，在涉及无穷的运算中避免丢失符号信息，例如11/x=x\frac{1}{1/x} = x1/x1​=x，如果0不区分正负，在x=±∞x=\pm\inftyx=±∞时不成立

正负无穷（Infinity）

定义：指数域全1，尾数全0
意义：用于表达计算中产生的上溢（overflow），使得计算中出现上溢不至于终止计算
产生：除了NaN外的非零值除以0，其结果为正负无穷

NaN（Not a Number）

定义：指数域全1，尾数域不为0
意义：表示计算中的错误情况，例如0.00.0\frac{0.0}{0.0}0.00.0​、2\sqrt22​，使得计算中出现错误不至于终止计算
特点：NaN是无序的，比较操作符在任一操作数为NaN是为false，!=在任一操作数为NaN时为true，这意味着NaN != NaN。

总结：
为什么 0.1 + 0.2 != 0.3 呢？首先，0.1 和 0.2 这两个实数无法用二进制精确表示。在二进制的世界里，只有包含因子 5 的十进制数才有可能精确表示，而 0.1 和 0.2 转换为二进制后是无限循环小数，在计算机中存储的值只能是真实值的近似表示，这里是第一次精度丢失；其次，计算机浮点数采用了 IEEE 754 标准格式，IEEE 754 严格规定了尾数域和指数域可表示的大小，位数有限，意味着可表示的信息量是有限的，换句话说就会存在三种误差：上溢、下溢和舍入误差。而 0.1 + 0.2 的结果的尾数域部分刚好超过了尾数域位数，超过位数的部分舍去，存在舍入误差，这里是第二次精度丢失。