【学习笔记】使用魔数快速求平方根
简介
介绍使用魔数0x1fbd1df5快速求平方根 x {\sqrt{x}} x的C语言实现和公式的推导。
代码
float MagicSqrt(float x)
{
float xhalf = 0.5f * x;
int i = *(int*)&x;
i = 0x1fbd1df5 + (i >> 1);
x = *(float*)&i;
x = 0.5f * x + xhalf / x;
return x;
}
代码用于快速计算平方根 x {\sqrt{x}} x。
代码中核心部分是
i = 0x1fbd1df5 + (i >> 1);
该行代码就完成了计算平方根。
另外再使用一次牛顿迭代法提高下精度
x = 0.5f * x + xhalf / x;
所以整个计算过程就是
1.i = *(int*)&x;
将输入的数转换成整数
2.i = 0x1fbd1df5 + (i >> 1);
通过魔数完成平方根的计算。
3.x = *(float*)&i;
转换回浮点数。
4.x = 0.5f * x + xhalf / x;
使用一次牛顿迭代法提高下精度。
完成快速计算平方根 x {\sqrt{x}} x。
如果需要提高精度,可以多进行一次牛顿迭代。
float MagicSqrt(float x)
{
float xhalf = 0.5f * x;
int i = *(int*)&x;
i = 0x1fbd1df5 + (i >> 1);
x = *(float*)&i;
x = 0.5f * x + xhalf / x;
x = 0.5f * x + xhalf / x;
return x;
}
传进来的值x
必须大于或等于0。
可以加入一个判断防止传入的值小于0.
float MagicSqrt(float x)
{
if (x < 0)
{
return -1;
}
else
{
float xhalf = 0.5f * x;
int i = *(int*)&x;
i = 0x1fbd1df5 + (i >> 1);
x = *(float*)&i;
x = 0.5f * x + xhalf / x;
//x = 0.5f * x + xhalf / x;
return x;
}
}
牛顿迭代法计算方式
一般计算平方根可以使用牛顿迭代法。
x n + 1 = x n − f ( x n ) f ′ ( x n ) x_{n+1} = x_n - \frac{f(x_n)}{f'(x_n)} xn+1=xn−f′(xn)f(xn)
我们计算平方根的公式:
y = x = x 1 2 y = {\sqrt{x}} = x^{\frac 12} y=x=x21
所以
y 2 = x {y}^2 = x y2=x
构建以y为自变量的函数方程为
f ( y ) = y 2 − x = 0 f(y) = {y}^2 - x = 0 f(y)=y2−x=0
f ′ ( y ) = 2 y = 0 f'(y) = {2}{y} = 0 f′(y)=2y=0
将 f ( y ) f(y) f(y)和 f ′ ( y ) f'(y) f′(y)带入
y − f ( y ) f ′ ( y ) = y − y 2 − x 2 y y - \frac{f(y)}{f'(y)} = y - \frac{{{y}^{2}} - x}{{2}{y}} y−f′(y)f(y)=y−2yy2−x
= 1 2 ( y + x y ) = \frac{1}{2}{(y + \frac{x}{y})} =21(y+yx)
所以
y n + 1 = 1 2 ( y n + x y n ) y_{n+1} = \frac{1}{2}{(y_{n} + \frac{x}{y_{n}})} yn+1=21(yn+ynx) = 0.5 y n + 0.5 x ÷ y n 0.5{y_n} + 0.5{x}÷{y_n} 0.5yn+0.5x÷yn
实际计算,设 x = 2 x = 2 x=2, y 1 = 2 y_1 = 2 y1=2
y 2 = 0.5 × 2 + 0.5 × 2 ÷ 2 = 1.5 y_2 = 0.5 × 2 + 0.5 × 2 ÷ 2 = 1.5 y2=0.5×2+0.5×2÷2=1.5
y 3 = 0.5 × 1.5 + 0.5 × 2 ÷ 1.5 = 1.416667 y_3 = 0.5 × 1.5 + 0.5 × 2 ÷ 1.5 = 1.416667 y3=0.5×1.5+0.5×2÷1.5=1.416667
y 4 = 0.5 × 1.416667 + 0.5 × 2 ÷ 1.416667 = 1.414216 y_4 = 0.5 × 1.416667 + 0.5 × 2 ÷ 1.416667 = 1.414216 y4=0.5×1.416667+0.5×2÷1.416667=1.414216
y 5 = 0.5 × 414216 + 0.5 × 2 ÷ 414216 = 1.414214 y_5 = 0.5 × 414216 + 0.5 × 2 ÷ 414216 = 1.414214 y5=0.5×414216+0.5×2÷414216=1.414214
经过多次迭代,计算出来的结果 2 ≈ 1.414214 {\sqrt{2}} \approx 1.414214 2≈1.414214。
使用牛顿迭代法计算平方根需要大量的浮点数运算,运算速度会远远弱于整数运算。
算法讲解
接下来解释该算法的核心i = 0x1fbd1df5 + (i >> 1);
。
首先需要知道浮点数的基本概念。
32位浮点数基本概念
浮点数由三部分组成:符号,指数和尾数。
32位浮点数,用二进制表示
用公式表示就是
( − 1 ) s ( 1 + m ) 2 e (-1)^s(1+m)2^e (−1)s(1+m)2e
这里s是符号(sign),e是指数(exponent),m是尾数(mantissa)。
因为这里计算平方根只对正数有意义,所以从假设符号位是 0 ,公式简化为
( 1 + m ) 2 e (1+m)2^e (1+m)2e
指数部分 e e e的数值范围, − 127 ≤ e ≤ 128 -127 \leq e \leq 128 −127≤e≤128。
尾数部分 m m m的数值范围, 0 ≤ m < 1 0 \leq m < 1 0≤m<1。
如果将浮点数转换成整数时,整数的数值就是
M + L E M + LE M+LE
这里 E E E表示指数(exponent), M M M表示尾数(mantissa), L L L是 2 23 2^{23} 223。
将指数部分看做是整数,用 E E E来表示,那么范围是 0 ≤ E ≤ 255 0 \leq E \leq 255 0≤E≤255。 E E E如果减去127,范围变成-127 - 128,变成一个有符号数。
所以 E E E和 e e e的转换关系是 e = E − B e = E - B e=E−B, B B B是127。
如果将尾数部分看做是整数,用 M M M来表示。数值范围是 0 ≤ M < 2 23 0 \leq M < 2^{23} 0≤M<223。
所以 M M M和 m m m的转换关系是 m = M L m = \frac{M}{L} m=LM, L L L是 2 23 2^{23} 223。
推导过程
接下来进入推导过程。
给定一个 x x x,计算平方根 y y y:
y = x = x 1 2 y = {\sqrt{x}} = x^{\frac 12} y=x=x21
首先对等式两边取以 2 为底的对数
log 2 y = 1 2 log 2 x \log_2 y = {\frac 12}\log_2 x log2y=21log2x
将x和y用浮点数替换:
log 2 ( ( 1 + m y ) 2 e y ) = 1 2 ( log 2 ( ( 1 + m x ) 2 e x ) ) \log_2 ((1+m_y)2^{e_y}) = {\frac 12}(\log_2 ((1+m_x)2^{e_x})) log2((1+my)2ey)=21(log2((1+mx)2ex))
log 2 ( 1 + m y ) + e y = 1 2 ( log 2 ( 1 + m x ) + e x ) \log_2 (1+m_y) + e_y = {\frac 12}(\log_2 (1+m_x) + e_x) log2(1+my)+ey=21(log2(1+mx)+ex)
算式两边都有这样的项
log 2 ( 1 + v ) \log_2(1 + v) log2(1+v)
其中v的值范围0 < v v v < 1。
当v的取值在0到1之间时,这个函数和一条直线很接近:
方程式:
log 2 ( 1 + v ) ≈ v + σ \log_2(1 + v) \approx v + \sigma log2(1+v)≈v+σ
其中 σ \sigma σ是一个常数,可以通过调整这个常数让两个曲线更加近似。
上面的方程
log 2 ( 1 + m y ) + e y = 1 2 ( log 2 ( 1 + m x ) + e x ) \log_2 (1+m_y) + e_y = {\frac 12}(\log_2 (1+m_x) + e_x) log2(1+my)+ey=21(log2(1+mx)+ex)
进行化简
m y + σ + e y ≈ 1 2 ( m x + σ + e x ) m_y + \sigma + e_y \approx {\frac 12}(m_x + \sigma + e_x) my+σ+ey≈21(mx+σ+ex)
接下来用整形解释下的指数和尾数来替代浮点数解释:
M y L + σ + E y − B ≈ 1 2 ( M x L + σ + E x − B ) \frac{M_y}{L} + \sigma + E_y - B \approx {\frac 12}(\frac{M_x}{L} + \sigma + E_x - B) LMy+σ+Ey−B≈21(LMx+σ+Ex−B)
进行化简
M y L + E y ≈ 1 2 ( M x L + σ + E x − B ) − σ + B \frac{M_y}{L} + E_y \approx {\frac 12}(\frac{M_x}{L} + \sigma + E_x - B) - \sigma + B LMy+Ey≈21(LMx+σ+Ex−B)−σ+B
M y L + E y ≈ 1 2 ( M x L + E x ) − 1 2 ( σ − B ) \frac{M_y}{L} + E_y \approx {\frac 12}(\frac{M_x}{L} + E_x) - \frac{1}{2}(\sigma - B) LMy+Ey≈21(LMx+Ex)−21(σ−B)
M y + L E y ≈ 1 2 L ( B − σ ) + 1 2 ( M x + L E x ) M_y + LE_y \approx {\frac 12}L(B - \sigma) + {\frac 12}(M_x + LE_x) My+LEy≈21L(B−σ)+21(Mx+LEx)
两边都得到了整形解释的值:
I y ≈ 1 2 L ( B − σ ) + 1 2 I x \mathbf{I_y} \approx {\frac 12}L(B - \sigma) + {\frac 12}\mathbf{I_x} Iy≈21L(B−σ)+21Ix
其中 1 2 L ( B − σ ) {\frac 12}L(B - \sigma) 21L(B−σ)是一个常数。
用代码表示就是:
i = K + (i >> 1);
K就是算法中的常数。通过选取合适的 σ \sigma σ的值,就能得到K值。
魔数的选定
计算魔数所用的可以采用穷举搜索或者二分法寻找最优值。
这里选定的值为 σ \sigma σ = 0.0450465。
带入计算出K值:
K = 1 2 L ( B − σ ) = 1 2 2 23 ( 127 − 0.0450465 ) ≈ 532487669 = 0 x 1 f b d 1 d f 5 K = {\frac 12}L(B - \sigma) = {\frac 12}{2^{23}}(127 - 0.0450465) \approx 532487669 = 0x1fbd1df5 K=21L(B−σ)=21223(127−0.0450465)≈532487669=0x1fbd1df5
这里的K值就是公式中的0x1fbd1df5。
参考资料
本文链接:https://blog.csdn.net/u012028275/article/details/113793827