直接比較浮點數相等其實沒問題

背景

在軟體開發領域，開發者常被告誡絕對不能直接比較浮點數的相等性，而必須使用一個極小的誤差值（Epsilon）來進行模糊比較。本文作者挑戰了這項傳統觀念，認為浮點數並非隨機的黑盒子，而是遵循確定性標準的系統，過度依賴 guessed epsilon 反而會導致幾何運算或物理模擬中的邏輯崩潰與難以調試的錯誤。

社群觀點

針對作者的觀點，Hacker News 社群展開了激烈的技術辯論。許多資深開發者指出，開發者對 Epsilon 的誤解往往源於對 IEEE 754 標準定義的不熟悉。標準中的 Epsilon 實際上是指 1.0 與下一個可表示浮點數之間的間距，這意味著當數值遠大於 1.0 或接近零時，靜態的 Epsilon 比較會完全失效。例如在處理極大數值時，兩個相鄰浮點數的間距可能遠大於 Epsilon，導致比較退化為精確相等；而在極小數值下，這種比較又顯得過於寬鬆。

部分留言者提出了更具魯棒性的替代方案，其中最受推崇的是「最後位單位」（ULP）比較法。這種方法建議將浮點數視為整數位元進行比較，或是計算兩個浮點數之間隔了多少個可表示的數值。這種做法能自動適應數值的量級變化，比手動設定誤差值更科學。然而，也有人提醒這種位元操作在處理正負零（+0.0 與 -0.0）或跨越零界點時需要額外處理，否則會產生錯誤的判斷。

在應用層面上，幾何內核與遊戲開發者的討論尤為深刻。有開發者分享了在《魔獸晨風》或《坎巴拉太空計劃》等遊戲中遇到的浮點數精度問題，說明當物體遠離座標原點時，浮點數精度下降會導致模型抖動或物理崩潰。這引發了關於「幾何意圖」的爭論：在計算幾何中，誤差往往不是數學問題，而是用戶意圖問題。例如，當用戶繪製兩條看似平行的線時，系統必須透過模糊邏輯來判斷其是否「應該」重合。這類場景下，單純的精確相等無法解決問題，必須引入動態調整的容差機制。

最後，社群達成了一種共識：沒有萬用的比較方法。對於需要嚴格確定性的邏輯，直接使用相等比較（==）是合理的；對於數值分析，則應結合絕對誤差與相對誤差。更有經驗的開發者建議，在處理角度或座標等對原點敏感的數據時，應考慮使用定點數（Fixed-point）而非浮點數，以確保在整個空間內擁有一致的精度表現。

延伸閱讀

在討論中，多位專家推薦了深入理解浮點數的經典文獻與工具。首推的是 David Goldberg 的經典論文《每個電腦科學家都該知道的浮點運算》（What Every Computer Scientist Should Know About Floating-Point Arithmetic）。針對具體的演算法實作，Lomont 撰寫的《浮點數比較》（CompareFloat.pdf）詳細介紹了基於位元偏移的優化技巧。在工具庫方面，Python 的 math.isclose 與 NumPy 的 allclose 被視為處理相對與絕對誤差的實作典範。此外，針對 Rust 開發者，社群也討論了 assertables 評測庫中關於浮點數斷言的改進方向。