计算机组成原理第九章笔记---计算机算术

本文内容整理自西安交通大学软件学院李晨老师的课件,仅供学习使用,请勿转载

计算机组成原理系列笔记汇总：计算机组成原理笔记及思维导图汇总附复习建议_Qlz的博客-CSDN博客

文章目录

本章思维导图

计算机算术思维导图

Arithmetic & Logic Unit

• Does the calculations
• Everything else in the computer is there to serve this unit
  • Controller, registers, memory, I/O
• Handles integers, floating point (real) numbers

Integer Representation

Sign-Magnitude Representation

• Left most bit is sign bit
• 0 means positive
• 1 means negative
  • +18 = 00010010
  • -18 = 10010010
• Problems
  • Need to consider both sign and magnitude in arithmetic
  • Two representations of zero (+0 and -0)
• Rarely used

补码

• 对于正数来说不变
• 对于负数来说，补码是原码除符号位按位取反再加一

Conversion Between Lengths

• Positive number pack with leading zeros
  • +18 = 00010010
  • +18 = 00000000 00010010
• Negative numbers pack with leading ones
  • -18 = 11101110
  • -18 = 11111111 11101110
• Extension rule of complement: left pack sign bit（左面补符号位）

Integer Arithmetic

A n-bit binary : $ [-2^n-1，2{n-1}-1]$

Comment on Addition and Subtraction

• Normal binary addition
• Monitor sign bit for overflow
  • Overflow Rule: 当两个正数或者两个负数相加时，如果结果的符号位发生改变，则说明发生了溢出（overflow）

硬件实现

首先需要两个寄存器存储待计算的数字，A寄存器中存的是加数或者被减数，B中存的是减数或者另一个加数，由SW部分检测当前是进行减法还是加法，然后选择对应的输入

• 如果是加法的话直接将B寄存器中的值放入加法器中即可，
• 如果是减法，则需要将B寄存器中的值经过补码换算后再放入加法器

在计算结束后将结果存放到A寄存器中（一般都是A），同时需要检查结果是否溢出

Multiplication

By computer

• More efficient
• Addition on partial product rather than waiting until the end
  • No need for storage all the partial products, fewer registers are needed
  • Save some time
• **For each 1 on the multiplier, an addition and a shift operation are required, but for each 0, only a shift is required ** 对于乘数当前位为1的话，那么需要进行一次加法和一次移位操作，如果是0的话，则只需要移位操作就够了

硬件实现

总共需要三个寄存器，一个用来存储被乘数（M），一个用来存储乘数（Q），一个用来存储部分值（A），还额外需要一位存加法的进位

对于每一次操作，都需要从乘数的最低位取出一位值，将其输入Shift and Add Control Logic 中，

• 如果输入的值为1，则使能加法器进行加法操作，将被乘数（M）与部分和（A）进行相加的结果放入A中，同时，将下方的寄存器组全部向右移一位
• 如果输入的值为1，则直接进行向右移位操作（由于乘的数是0，相当于加0，因此可以省略加法）

最终的2n位结果就存储在A和Q中

例子

Flowchart for Unsigned Binary Multiplication

负数乘法

• 对于负数来说，直接将符号位当成一位数字去进行运算的话，最终结果是错误的
• 计算方法
  • 方法一：先将复数转化为正数，按照上面说的方法运算，如果最后得到的也是复数，那么修改符号位即可
  • 方法二：booth算法

例子

两正数

一正一负

手算（不会）

Division

More complex than multiplication

计算方法

主要思想：将被减数向左移位，然后减除数，如够减本位记0，如果不够减本位记1

需要三个寄存器，M中放的是被除数，Q中放的是除数，A中保存的是中间值，然后Count中保存的是被除数的位数

在每一次计算前，都需要将A和Q向左移一位，同时将A-M的值赋值给A，然后判断A的值是否大于0

• 如果大于0，那么在Q0的位置插入1
• 如果小于0，那么在Q0的位置插入0，同时将A的值修改为A当前的值加M，即恢复A的值

当Count值为0是停止计算

此时，A中存储的是余数（Remainder），Q中存储的是商（Quotient）

例子

负数除法

类似负数乘法，也有两种方式

• 方法一：将数字转化为正数，然后按照上述方法计算，在结束后判断是否需要修改符号位
• 方法二：如下

老师没讲，应该只是了解一下

Floating Point Representation

Real Numbers

• Numbers with fractions
• Could be done in pure binary
  • $1001.1010=2^4+2^0+2^{-1}+2^{-3}=9.625$
• 存在一个问题是小数点没法表示
  • 如果小数点固定的话，那么表示的数字范围就非常小
  • 如果是自由的话，那么应该怎么表示

Principles

• 表示方法：$\pm S\times B^{\pm E}$
  • ±: Sign
  • S: significand（尾数）
  • E: exponent（幂）, 在计算机中通常会加一个偏移量
  • B: base is implicit, need not be stored
    • Typically, the bias=$2^{k-1}-1$
    • k: number of bits of exponent
      • E.g. 8-bit field, the bias is 127
      • True exponent values :[-127,128]
  • Exponent value= true exponent + bias
  • 幂的值为其实际值加上偏移量，对于八位的幂来说，偏移量为$2^{8-1}-1=127$
  • 幂值存储的是一个无符号数

Typical 32-bit Float-point Format

对于第一个来说，由于其指数是一个正数，因此其幂值为$1,0100+0111,1111=1001,0011$

对于第三个来说，由于其指数是一个负数，因此首先需要先将其转换为补码形式，然后再加偏移

• 原码：$1001,0100$
• 反码：$1110,1011$
• 补码：$1110,1100$
• 加上偏移后：$1110,1100+0111,1111=0110,0111$

Normalization

• 浮点数通常需要规范化，因为在表示中，通常使用的是科学计数法，由于标准科学计数法要保证小数点前的数字不能为0，对于二进制来说，小数点前的数字只能为1，因此在表示中会将小数点前的数省略，仅存储小数点后的数字，因此规范化需要保证小数点前的数为1

浮点数表示的范围

上面的图是$int$类型可以表示的范围，下面是浮点数能表示的范围

对于浮点数能表示的范围计算如下（仅以正数作为说明，因为正数与负数的区别只有符号位，因此表示的区间大小是一样的，负数通过正数可以换算其范围）

• 最大值：要保证取得值是最大值，则对于正数来说，即符号位和尾数全部为1，即$01111,1111111...11(23个1)$，其表示的数是
  $$1.111....11(小数点后23个1)\times 2^{1111,1111-0111,1111}=1.111....11(小数点后23个1)\times 2^{128}=(2-2^{23})\times 2^{128}$$

• 最小值：即符号位和尾数全部为0，即$00000,0000000...00(23个0)$，其表示的数是：

$$1.000....00(小数点后23个0)\times 2^{0000,0000-0111,1111}=1.000....00(小数点后23个0)\times 2^{-127}=1\times 2^{-127}$$

• 对于32位的浮点数来说，其指数位有8位，可以表示的范围大概为$+/-2^{128}\approx 3.4\times 10^{38}$
• 精确度：大概为$2^{-23}=1.2\times 10^{-7}$

Density of Floating Point Numbers

Floating-point arithmetic

对于浮点数的加法和减法，必须确保操作数的指数值是一致的，通常采用的方法是小数向大数对其，这样可以保值其损失值更小
$$\begin{gathered} X=X_S\times B^{X_e},Y=Y_S\times B^{y_e}(X_e<Y_e) \\ X+Y=(X_S\times B^{X_e-Y_e}+Y_S)\times B^{y_e} \\ X-Y=(X_S\times B^{X_e-Y_e}-Y_S)\times B^{y_e} \\ X\times Y=(X_S\times Y_S)\times B^{X_e-Y_e} \\ X/Y=(X_S\times Y_S)\times B^{X_e-Y_e} \end{gathered}$$
对于加法和减法来说，向大数对其的意思是将其指数修改为和大数的指数位一样的值，将其尾数向右移动相同的位数

Floating-point operation may cause some problems

• Exponent overflow
  • 指数上溢出，即$2^{55}\times 2^{90}=2^{145}>2^{128}$
• Exponent underflow
  • 指数下溢出，即$2^{-55}\times 2^{-90}=2^{-145}<2^{-127}$
• Significant underflow
  • 尾数下溢出，即小数向大数对其时向右移动导致的下溢出
• Significant overflow
  • 尾数上溢出，即$1.1100+1.1000=10.0100$，导致小数点前的数不为1，这时候需要规范化之后才能存储

加法与减法

步骤

• Check for zeros
• 对其有效位（调整指数）
  • 移动较小操作数的尾数
  • 一旦发生溢出对最后的结果影响比较小
• 尾数加减
• 规范化

乘法与除法

步骤

• Check for zero
• 加/减指数
  • 记得要加或者减偏移
• 乘/除尾数
• 规范化
• Round
• 所有中间结果均应该存储在两倍大小长度的存储器中（保证精度）

IEEE 754 Formats

Key points

• Complement representation and arithmetic of signed binary
• Negatee
• ±x/ of integer
• Float point representation and arithmetic

Vocabulary

• Base: 基数
• Biased representation: 偏值表示法
• Dividend: 被除数
• Divisor: 除数
• Exponent: 指数
• Guard bits: 保护位
• Minuend: 被减数
• Multiplicand: 被乘数
• Multiplier: 乘数
• Overflow: 溢出
• Product: 积
• Quotient: 商
• Radix point: 小数点
• Remainder: 余数
• Rounding: 舍入
• Significand: 有效数
• Subtrahend: 减数
• Sign bit: 符号位