在电脑科学中，浮点数运算（Floating-point arithmetic）是一种用浮点（英语：floating point，缩写为FP）方式表示实数的运算方式。浮点是一种对于实数的近似值数值表现法，由一个有效数字（即尾数）加上幂数来表示，通常是乘以某个基数的整数次指数得到。以这种表示法表示的数值，称为浮点数（floating-point number）。浮点数运算运算通常伴随着因为无法精确表示而进行的近似或舍入。
 |
计算机使用浮点数运算的主因，在于电脑使用二进位制的运算，例如：4÷2=2，4=100(2)、2=010(2)，在二进位相当于退一位数，则1.0÷2=0.5=0.1(2)，也就是。依此类推二进位的0.01(2)就是十进位==0.25。由于十进位制无法准确换算成二进位制的部分小数，如0.1，因此只能使用近似值的方式表达。
这种表示方法类似于基数为10的科学记数法。在计算机上，通常使用2为基数的幂数来表示，一个浮点数a由两个数m和e来表示：a = m × be。在任意一个这样的系统中，可选择一个基数b（记数系统的基）和精度p（即使用多少位来存储），m（即尾数）是形如±d.ddd...ddd的p位数（每一位是一个介于0到b-1之间的整数，包括0和b-1）。如果m的第一位是非0整数，m称作正规化的，有一些描述使用一个单独的符号位（s 代表+或者-）来表示正负，这样m必须是正的，e是指数。
这种表示法的设计，来自于对于值的表现范围，与精密度之间的取舍：可以在某个固定长度的存储空间内表示出某个实数的近似值，例如： 一个指数范围为±4的4位十进制浮点数可以用来表示43210，4.321或0.0004321，但是没有足够的精度来表示432.123和43212.3（必须近似为432.1和43210）。当然，实际使用的位数通常远大于4。
此外，浮点数表示法通常还包括一些特别的数值：+∞和−∞（正负无穷大）以及NaN（'Not a Number'）。无穷大用于数太大而无法表示的时候，NaN则指示非法操作或者无法定义的结果。
其中，无穷大，可表示为inf，在内存中的值是阶码为全1，尾数全0。而NaN在内存中的值则是阶码全1，尾数不全0。
计算机的浮点数
浮点指的是带有小数的数值，浮点运算即是小数的四则运算，常用来测量电脑运算速度。大部份计算机采用二进制（b=2）的表示方法。位（bit）是衡量浮点数所需存储空间的单位，通常为32位或64位，分别被叫作单精度和双精度。有一些计算机提供更大的浮点数，例如英特尔公司的浮点运算单元Intel8087协处理器（以及其被集成进x86处理器中的后代产品）提供80位长的浮点数，用于存储浮点运算的中间结果。还有一些系统提供128位的浮点数（通常用软件实现）。
浮点数的标准
举例
π的值可以表示为π = 3.1415926...10（十进制）。当在一个支持17位尾数的计算机中表示时，它会变为0.11001001000011111 × 22。
浮点数运算
为了方便呈现，容易阅读，以下的例子会用十进制，有效位数7位数的浮点数，也就是IEEE 754 decimal32格式，其原理不会随进制或是有效位数而变。此处的s表示尾数（有效数字），而e表示指数。
处理浮点数加法的简单作法是将二个浮点数调整到有相同的指数。在以下例子中，第二个数的小数点左移了三位，使二者的指数相同，之后即可进行一般的加法运算：
123456.7 = 1.234567 × 10^5 101.7654 = 1.017654 × 10^2 = 0.001017654 × 10^5
因此
123456.7 + 101.7654 = (1.234567 × 10^5) + (1.017654 × 10^2)
= (1.234567 × 10^5) + (0.001017654 × 10^5)
= (1.234567 + 0.001017654) × 10^5
= 1.235584654 × 10^5
若用e和s来表示
e=5; s=1.234567 (123456.7) + e=2; s=1.017654 (101.7654)
e=5; s=1.234567 + e=5; s=0.001017654 (移位後) -------------------- e=5; s=1.235584654 (實際的和：123558.4654)
这是真实的结果，二个数字真正的和，之后会再四舍五入到七位有效位数，若有需要的话，会再进行正规化，其结果为
e=5; s=1.235585 (最後答案：123558.5)
加数的最低三位数（654）没有出现在结果中，这称为舍入误差。在一些极端的例子中，二个浮点数的和可能和其中的被加数或是加数相等：
e=5; s=1.234567 + e=−3; s=9.876543
e=5; s=1.234567 + e=5; s=0.00000009876543 (移位後) ---------------------- e=5; s=1.23456709876543 (真正的和) e=5; s=1.234567 (四捨五入及正規化後)
在上述的例子中，为了要有正确的四舍五入结果，在二数指数差距很大时，要增加许多位数才有正确的结果。不过，在二位制的加减法中，利用一个guard位元、一个rounding位元以及一个额外的sticky位元，就可以有正确的结果[1][2]:218–220。
另一个失去有效数字的情形出现在二个几乎相等的数字相减时。在以下的例子中，e = 5; s = 1.234571和e = 5; s = 1.234567是有理数123457.1467和123456.659的近似值。
e=5; s=1.234571 − e=5; s=1.234567 ---------------- e=5; s=0.000004 e=−1; s=4.000000 (四捨五入及正規化後)
浮点数的差可以精确的计算，如同Sterbenz引理所说明的，就算是因为渐进式下溢位而出现下溢位也是一样。不过，原来二个数的差是e = −1; s = 4.877000，和浮点数计算结果e = −1; s = 4.000000之间差了超过20%。在极端的例子中，甚至所有的有效数字都会不见[1][3]。上述的灾难性抵消说明了，假设计算结果的每一位数都有意义，这个想法很危险。这类误差的处理及修正是数值分析中的主题之一。
若要进行乘法，将有效数字相乘，指数相加，再进行四舍五入及正规化即可。
e=3; s=4.734612 × e=5; s=5.417242 ----------------------- e=8; s=25.648538980104 (真實乘積) e=8; s=25.64854 (四捨五入後) e=9; s=2.564854 (正規化)
而除法会将被除数和除数的有效数字相除，二者的指数相减，再进行四舍五入及正规化。
乘除法不会有抵消或是某一数字被吸收的问题，不过仍会出现一些小误差，若连续运算，误差会变大[1]。实务上，要进行上述运算的数位逻辑可能会相当的复杂（像是布斯乘法算法以及除法器）。
准确性
由于浮点数不能表达所有实数，浮点运算与相应的数学运算有所差异，有时此差异极为显著。
比如，二进制浮点数不能表达0.1和0.01，0.1的平方既不是准确的0.01，也不是最接近0.01的可表达的数。单精度（24比特）浮点数表示0.1的结果为,，即
- 0.100000001490116119384765625
此数的平方是
- 0.010000000298023226097399174250313080847263336181640625
但最接近0.01的可表达的数是
- 0.009999999776482582092285156250
浮点数也不能表达圆周率，所以不等于正无穷，也不会溢出。下面的C语言代码
double pi = 3.1415926535897932384626433832795;
double z = tan(pi/2.0);
的计算结果为16331239353195370.0，如果用单精度浮点数，则结果为−22877332.0。同样的，。
奔腾早期的60-100MHz P5版本在浮点运算单元有一个问题，在极少数情况下，会导致除法运算的精确度降低。这个缺陷于1994年被发现，变成如今广为人知的奔腾浮点除错误，同时这一事件导致英特尔陷入巨大的窘态，建立召回计画来回收有问题的处理器。
相关条目
参考资料
Wikiwand in your browser!
Seamless Wikipedia browsing. On steroids.
Every time you click a link to Wikipedia, Wiktionary or Wikiquote in your browser's search results, it will show the modern Wikiwand interface.
Wikiwand extension is a five stars, simple, with minimum permission required to keep your browsing private, safe and transparent.
