Question

以下示例突出显示了使用浮点数的缺陷：

available_again = 0
for i in range(0,15):
   time = 0.1*i

   if time < available_again:
      print("failed to schedule at " + str(time))

   available_again = time + 0.1

此代码输出以下内容：

failed to schedule at 1.3

我没想到会出现这个错误，但我确实理解为什么会这样。我有什么选择才能解决这个问题？

我的代码中有一个修复：

available_again = 0.1*(i+1)

我想知道这是否是正确的路线。我的特定应用涉及事件的调度，其中事件发生的时间由复杂的数学函数决定，例如：sinc（2 * pi * f * t）。事件的持续时间会使事件彼此重叠，在这种情况下，我需要在不同的频道上发送它们。

Answer 1

我的代码中有一个修复：

available_again = 0.1 *（i + 1）

此修复是正确的，只要time保持足够小，浮点分辨率优于0.1（最多约2 ⁵⁰），您的代码就会正常工作。

这是有效的，因为在迭代0.1*(i+1)计算的浮点数i 与用0.1*i计算的浮点数完全相同 { {1}}在下一次迭代中增加了1，并且因为只要整数i和n保持低于约2 ⁵⁰，就没有两个{{1}对于m和0.1*n的不同值，{}和0.1*m相等。

原因是浮点运算是确定性的。浮点运算n可能会为m的某些整数值产生反直觉结果，但它始终会为同一0.1 * n生成相同的结果。

另外，如果n是最接近的数学商i / 10，那么您应该将n计算为time，并在逻辑上计算time 1}}为i / 10.0。

由于与上述相同的原因，它继续工作，并且它总是有额外的属性来计算最接近预期商的浮点数，而available_again放大了浮点数之间的表示错误(i+1) / 10.0和理性的1/10。

在两种情况下，0.1 * i的两个连续值始终以相同的间隔分隔。使用0.1计算，浮点值浮动在理性i / 10周围。使用time，它将漂浮在i * 0.1000000000000000055511151231257827021181583404541015625周围。如果您可以自由选择采样频率，请选择它以使i/10.0和0.1*i之间的系数为2的幂（例如1/64或1/128）。然后，您将拥有精确计算i的附加属性，并且每个时间间隔都完全相同。

当时间是浮点值时调度事件

1 个答案: