这是减法
第一个号码
Decimal 3.0000002
Hexadecimal 0x4040001
Binary: Sign[0], Exponent[1000_0000], Mantissa[100_0000_0000_0000_0000_0001]
减去第二个数字：
Decimal 3.000000
Hexadecimal 0x4040000
Binary: Sign[0], Exponent[1000_0000], Mantissa[100_0000_0000_0000_0000_0000]
==========================================
在这种情况下，指数已经相同，我们只需要减去尾数。我们知道在IEEE754中，尾数前面有一个隐藏位1。因此，结果尾数应为：
Mantissa_1[1100_0000_0000_0000_0000_0001] - Mantissa_2[1100_0000_0000_0000_0000_0000]
等于
Mantissa_Rst = [0000_0000_0000_0000_0000_0001]
但是这个数字没有归一化，因为第一个隐藏位不是1.因此我们将Mantissa_Rst右移23次，指数同时减去23。
然后我们得到结果值
Hexadecimal 0x4040000
Binary: Sign[0], Exponent[0110_1000], Mantissa[000_0000_0000_0000_0000_0000].
总共32位，不需要舍入。
请注意，在尾数区域中，仍然存在隐藏的1。
如果我的计算是正确的，那么将结果转换为十进制数是0.00000023841858，与实际结果0.0000002相比，我仍然认为这不是很精确。
所以问题是，我的计算错了吗？或者实际上这是一个真实的情况并且一直在计算机中发生？
答案 0 :(得分：4)
您的输入已经开始出现不准确之处。 3.0000002是分母中素数因子为5的分数，因此它的＆＃34;十进制＆＃34;基数2的扩张是周期性的。没有多少尾数位就足以完全代表它。您实际提供的浮点值为3.0000002384185791015625（此 确切）。是的，这种情况一直都在发生。
1/3）。这不是问题。嗯，它适用于某些人，但幸运的是还有其他数字类型可供他们使用。浮点数有许多优点，轻微的舍入误差与许多应用程序无关，例如，即使您的输入都不能完全准确地测量您感兴趣的内容（很多科学计算）和模拟）。还记得64位浮点数也存在。此外，误差是有界的：通过最佳舍入，您的结果将在无限精度结果中移除的最后一个位置单位。对于作为示例的32位浮点数，这大约为2^-25或3 * 10 ^ -8。当你进行必须进行舍入的其他操作时，这会变得越来越糟，但是通过仔细的数值分析和right algorithms，你可以从中获得大量的milage。
答案 1 :(得分：1)
每当x /2≤y≤2x时，计算x - y 精确，这意味着没有任何舍入误差。在您的示例中也是如此。
您只是假设您的浮点数等于3.0000002。你不能。类型＆＃34;浮动＆＃34;只能表示小于2 ^ 24的整数乘以2的幂。 3.0000002不是这样的数字，因此它舍入到最接近的浮点数，更接近3.00000023841858。减法3精确计算差值并给出接近0.00000023841858的结果。