3. 浮点舍入模式与误差度量

浮点运算的每一步几乎都伴随舍入。IEEE 754 规定了五种舍入方向：就近舍入到偶数（roundTiesToEven）、就近舍入远离零（roundTiesToAway）、向正无穷（roundTowardPositive）、向负无穷（roundTowardNegative）、向零（roundTowardZero）。其中 roundTiesToEven 是默认模式，也是绝大多数硬件与语言运行时的缺省行为；后三种统称定向舍入，常用于区间运算、保守估计和可复现性要求高的场景。

理解舍入模式的关键，是看清“就近”与“定向”在实现上的根本差异。就近舍入先计算无限精度的精确结果，再选择距离最近的可表示浮点数；当精确结果恰好落在两个相邻可表示数的中点时，roundTiesToEven 选择最低有效位为偶数的那个，roundTiesToAway 则选择绝对值更大的那个。定向舍入不关心中点，只按方向取“不小于精确值的最小可表示数”或“不大于精确值的最大可表示数”。这意味着定向舍入的结果误差方向是确定的，而就近舍入的误差方向不确定，但幅度通常更小。

上图中，精确值 x 落在相邻可表示数 b 与 c 之间。就近舍入选择距离更近的 b；向正无穷选择不小于 x 的最小可表示数 c；向负无穷与向零都选择 b。可以看到，定向舍入的结果误差方向固定，而就近舍入的误差方向取决于 x 的位置。当 x 恰好位于中点时，roundTiesToEven 会检查 b 与 c 的最低有效位，选择偶数者，从而避免长期累积的统计偏差。

三种误差度量的工程计算方法

绝对误差是最直观的度量：abs_err = |r - x|，其中 r 是浮点计算结果，x 是精确值或高精度参考值。它的单位与物理量一致，适合判断“结果偏差了多少个基本单位”。但绝对误差无法跨量级比较：同样 1e-6 的绝对误差，对 1e-3 量级的量是灾难，对 1e6 量级的量则微不足道。

相对误差解决了量级问题：rel_err = |r - x| / |x|（x ≠ 0）。工程上常以百分比或科学计数法表示。需要注意，当 x 接近零时相对误差会急剧放大，此时应改用绝对误差或 ULP 度量。相对误差的一个常见陷阱是参考值本身也来自浮点计算，若参考值精度不足，相对误差会被低估，因此工程上应尽量用更高精度类型（如 double 对 float、或任意精度库）计算参考值。

ULP（Unit in the Last Place）是浮点领域最贴近硬件实现的度量。对规格化数，若尾数有 p 位，指数为 e，则 ULP = 2^(e-p+1)。工程上更实用的计算方式是：给定浮点数 x，其 ULP 等于 x 与“下一个可表示浮点数”之间的间距。以 IEEE 754 双精度为例，尾数 52 位显式加 1 位隐含，共 53 位有效位；对 x = 1.0，ULP = 2^-52 ≈ 2.22e-16。ULP 误差定义为 ulp_err = |r - x| / ulp(x)，它直接回答“结果偏差了几个最小刻度”。就近舍入的 ULP 误差不超过 0.5，定向舍入的 ULP 误差小于 1，这是判断实现是否正确的有力依据。

实现差异与工程取舍

在 C/C++ 中，可通过 fesetround(FE_TONEAREST / FE_UPWARD / FE_DOWNWARD / FE_TOWARDZERO) 设置舍入模式，并用 #pragma STDC FENV_ACCESS ON 告知编译器不要随意重排浮点运算。Java 的 Math.round 与 BigDecimal.setScale 提供的是十进制舍入语义，与 IEEE 754 二进制舍入不同，混用时必须明确区分。Python 的 decimal 模块支持多种舍入常量，而内置 round 采用银行家舍入（即 roundTiesToEven 的十进制类比）。

定向舍入的典型用途是区间算术：下界用向负无穷，上界用向正无穷，保证真实值始终落在区间内。就近舍入则适合绝大多数数值计算，因为它的误差幅度最小且无系统性偏向。工程上判断一段计算是否可靠，可以同时输出绝对误差、相对误差和 ULP 误差：绝对误差看物理意义，相对误差看跨量级稳定性，ULP 误差看是否贴近硬件极限。三者结合，才能对浮点结果的精度给出完整判断。