浮点数原理与应用：从IEEE 754到精度优化

1. 从金融交易到科学计算：为什么我们需要浮点数？

记得我第一次接触银行系统开发时，发现所有金额都精确到分（0.01元）。当时系统采用定点数表示法——用32位整数的最后两位表示小数部分。这种方案简单直接，比如金额123.45元存储为12345，计算时只需记住"最后两位是分"这个约定。

但当我尝试用同样方法计算圆周率时，问题立刻显现。假设我们用64位整数，后30位表示小数部分，那么：

• 最大能表示的数字是2^34-1（约171亿）
• 最小精度是2^-30（约9.31×10^-10）

这看起来不错？但当计算π≈3.1415926535...时：

1. 需要至少10位小数精度
2. 计算过程中会出现像1/3=0.333...这样的无限循环小数
3. 进行(√3-√2)≈0.317837245...这类运算时，精度损失会累积

2. 科学计数法的二进制改造

2.1 从十进制到二进制的思维转换

科学计数法在十进制中表示为：±m×10^e，其中1≤m<10。将其移植到二进制：

• 基数从10变为2
• 尾数m满足1≤m<2（二进制下整数部分总是1）
• 例如：0.0001011（二进制） = 1.011×2^-4

2.2 浮点数的三要素

一个完整的浮点数表示需要：

1. 符号位（Sign）：1位，0正1负
2. 指数部分（Exponent）：移码表示（后面详解）
3. 尾数部分（Mantissa）：隐含前导1

以32位单精度浮点数为例：

code复制[31]符号位 [30-23]8位指数 [22-0]23位尾数

3. IEEE 754标准详解

3.1 为什么需要标准化？

早期计算机厂商各自为政：

• IBM用基数为16的浮点格式
• Cray用特殊格式提高向量运算速度
• 小型机厂商自定义格式

导致数值计算结果不一致，IEEE 754-1985应运而生。

3.2 单精度浮点数的内存布局

c复制struct IEEE754_float {
    unsigned int mantissa : 23;
    unsigned int exponent : 8;
    unsigned int sign : 1;
};

实际值为：(-1)^sign × 1.mantissa × 2^(ex