多年前，在20世纪90年代早期，我构建了图形软件包，这些图形软件包基于定点算法优化计算，并使用牛顿近似方法对sqrt和log近似的cos，sin和缩放方程进行预先计算。这些先进技术似乎已成为图形和内置数学处理器的一部分。大约5年前，我参加了一个涉及一些旧技术的数值分析课程。我已经编写了近30年的编码，很少见到使用过的旧定点优化，即使在GPGPU应用程序中进行世界级粒子加速器实验之后也是如此。定点方法是否仍然适用于整个软件行业的任何地方，或者这些知识的用处现在已经永远消失了吗？
固定点在不支持任何类型的十进制类型的平台上略微有用;例如，我为PIC16F系列微控制器实现了24位定点类型（更多关于我之后选择定点的原因）。
但是，几乎每个现代CPU都支持微码或硬件级别的浮点，因此不需要固定点。
固定点数限制在它们可以表示的范围内 - 考虑64位（32.32）固定点与64位浮点：64位定点数的小数分辨率为1 /（232），而浮点数的小数分辨率最高为1 /（253）;固定点数可以表示高达231的值，而浮点数可以表示高达2223的数字。如果需要更多，大多数现代CPU都支持80位浮点值。
当然，浮点数的最大下降在极端情况下是有限的精度 - 例如在固定点，它将需要更少的位来表示9000000000000000000000000000000.00000000000000000000000000000002。当然，对于浮点数，你可以获得更好的十进制算术平均使用精度，而且我还没有看到一个应用程序，其中十进制算术与上面的例子一样极端，但也没有溢出等效的定点大小。
我为PIC16F实现定点库而不是使用现有浮点库的原因是代码大小，而不是速度：16F88有384字节的可用RAM，总共4095条指令空间。要添加两个预定义宽度的固定点数，我在代码中使用进位输入内联整数（固定点无论如何都不会移动）;为了增加两个固定点数，我使用了一个带有扩展32位定点的简单移位和加法函数，即使这不是最快的乘法方法，以便节省更多的代码。
因此，当我只需要一个或两个基本的算术运算时，我就能够在不占用所有程序存储的情况下添加它们。相比之下，该平台上可免费使用的浮点库大约占设备总存储量的60％。相比之下，软件浮点库大多只是几个算术运算的包装器，根据我的经验，它们大多是全有或全无，所以将代码大小减半，因为你只需要一半的函数不起作用好吧
固定点通常不会在速度方面提供太多优势，因为它的表示范围有限：您需要多少位来表示具有15位精度的1.7E +/- 308，与64位双精度相同？如果我的计算是正确的，你需要大约2020位。我敢打赌，那表现不会那么好。
三十年前，当硬件浮点相对较少时，非常特殊用途的定点（甚至是缩放整数）算法可以比基于软件的浮点提供显着的性能提升，但只有在允许的值范围可以是用缩放整数算法有效地表示（原始Doom在没有协处理器时使用这种方法，例如在1992年的486sx-25上 - 在运行频率为4.0GHz的超频超线程Core i7上输入一个超过1000的GeForce卡独立的浮点计算单元，它似乎有点不对劲，虽然我不确定哪个 - 486，或者i7 ......）。
浮点由于其可以表示的值的范围而更通用，并且在CPU和GPU上以硬件实现，它以各种方式击败固定点，除非您确实需要超过80位的浮点精度。花费巨大的定点大小和非常慢的代码。
好吧，我编码了20年，我的经验是使用定点有3个主要原因：
fcpu(0) = 3.194877 GHz // tested on first core of AMD-A8-5500 APU 3.2GHz Win7 x64 bit
CPU 32bit integer aritmetics:
add = 387.465 MIPS
sub = 376.333 MIPS
mul = 386.926 MIPS
div = 245.571 MIPS
mod = 243.869 MIPS
FPU 32bit float aritmetics:
add = 377.332 MFLOPS
sub = 385.444 MFLOPS
mul = 383.854 MFLOPS
div = 367.520 MFLOPS
FPU 64bit double aritmetics:
add = 385.038 MFLOPS
sub = 261.488 MFLOPS
mul = 353.601 MFLOPS
div = 309.282 MFLOPS
值随时间变化，但数据类型之间的比较几乎相同。短短几年后，由于数据传输量增加2倍，双打速度变慢。但是还有其他平台的速度差可能仍然有效。