Iec 60559 1989 scan

1 .2 Inclusions Cette norme spécifie: 1 les formats de base et étendu des nombres en virgule flottante; 2 les opérations d'addition, de soustraction, de multiplication, de division, de c

Arithmétique binaire en virgule flottante

pour systèmes à microprocesseurs

Binary floating-point arithmetic

for microprocessor systems

Reference number CEI/IEC 60559: 1989

Numéros des publications

Depuis le 1er janvier 1997, les publications de la CEI

sont numérotées à partir de 60000.

Publications consolidées

Les versions consolidées de certaines publications de

la CEI incorporant les amendements sont disponibles.

Par exemple, les numéros d'édition 1.0, 1.1 et 1.2

indiquent respectivement la publication de base, la

publication de base incorporant l'amendement 1, et la

publication de base incorporant les amendements 1

et 2.

Validité de la présente publication

Le contenu technique des publications de la CEI est

constamment revu par la CEI afin qu'il reflète l'état

actuel de la technique.

Des renseignements relatifs à la date de

reconfir-mation de la publication sont disponibles dans le

Catalogue de la CEI.

Les renseignements relatifs à des questions à l'étude et

des travaux en cours entrepris par le comité technique

qui a établi cette publication, ainsi que la liste des

publications établies, se trouvent dans les documents

ci-dessous:

• «Site web» de la CEI*

• Catalogue des publications de la CEI

Publié annuellement et mis à jour

régulièrement

(Catalogue en ligne)*

• Bulletin de la CEI

Disponible à la fois au «site web» de la CEI*

et comme périodique imprimé

Terminologie, symboles graphiques

et littéraux

En ce qui concerne la terminologie générale, le lecteur

se reportera à la CEI 60050: Vocabulaire

Électro-technique International (V E I ).

Pour les symboles graphiques, les symboles littéraux

et les signes d'usage général approuvés par la CEI, le

lecteur consultera la CEI 60027: Symboles littéraux à

utiliser en électrotechnique, la CEI 60417: Symboles

graphiques utilisables sur le matériel Index, relevé et

compilation des feuilles individuelles, et la CEI 60617:

Symboles graphiques pour schémas.

Validity of this publication

The technical content of IEC publications is kept under constant review by the IEC, thus ensuring that the content reflects current technology.

Information relating to the date of the reconfirmation

of the publication is available in the IEC catalogue.

Information on the subjects under consideration and work in progress undertaken by the technical committee which has prepared this publication, as well

as the list of publications issued, is to be found at the following IEC sources:

• IEC web site*

• Catalogue of IEC publications

Published yearly with regular updates (On-line catalogue)*

For general terminology, readers are referred to

IEC 60050: International Electrotechnical Vocabulary

(IEV).

For graphical symbols, and letter symbols and signs approved by the IEC for general use, readers are

referred to publications IEC 60027: Letter symbols to

be used in electrical technology, IEC 60417: Graphical symbols for use on equipment Index, survey and compilation of the single sheets and IEC 60617:

Graphical symbols for diagrams.

* Voir adresse «site web» sur la page de titre. * See web site address on title page.

Arithmétique binaire en virgule flottante

pour systèmes à microprocesseurs

Binary floating-point arithmetic

for microprocessor systems

© IEC 1989 Droits de reproduction réservés — Copyright - all rights reserved

Aucune partie de cette publication ne peut être reproduite ni No part of this publication may be reproduced or utilized in

utilisée sous quelque forme que ce soit et par aucun any form or by any means, electronic or mechanical,

procédé, électronique ou mécanique, y compris la photo- including photocopying and microfilm, without permission in

copie et les microfilms, sans l'accord écrit de l'éditeur writing from the publisher.

International Electrotechnical Commission 3, rue de Varembé Geneva, Switzerland

Telefax: +41 22 919 0300 e-mail: inmail@iec.ch IEC web site http: //www.iec.ch

Commission Electrotechnique Internationale

International Electrotechnical Commission

Me?NgyHapogHaR 3neKTpOTexH114eCNHA HOMNCCNA

Pour prix, voir catalogue en vigueur

•

-2- 559©CEISOMMAI RE

5.5 Arrondi de nombres en virgule flottante vers

-4- 559©CEICOMMISSION ELECTROTECHNIQUE INTERNATIONALE

PREAMBULE1) Les décisions ou accords officiels de la CEI en ce qui concerne les

questions techniques, préparés par des Comités d'Etudes ó sont

repré-sentés tous les Comités nationaux s'intéressant à ces questions,

expriment dans la plus grande mesure possible un accord international

sur les sujets examinés

2) Ces décisions constituent des recommandations internationales et sont

agréées comme telles par les Comités nationaux

3) Dans le but d'encourager l'unification internationale, la CEI exprime

le voeu que tous les Comités nationaux adoptent dans leurs règles

nationales le texte de la recommandation de la CEI, dans la mesure ó

les conditions nationales le permettent Toute divergence entre la

recommandation de la CEI et la règle nationale correspondante doit,

dans la mesure du possible, être indiquée en termes clairs dans cette

dernière

PREFACE

La présente norme a été établie par le Sous-Comité 47B: Systèmes à

microprocesseurs, du Comité d'Etudes n° 47 de la CEI: Dispositifs à

semiconducteurs (Ce Sous-Comité a été repris par l'ISO/IEC JTC 1 )

Cette deuxième édition de la Publication 559 remplace la première édition

parue en 1982

Le texte de cette norme est issu des documents suivants:

Règle des Six Mois Rapport de vote

Le rapport de vote indiqué dans le tableau ci-dessus donne toute

infor-mation sur le vote ayant abouti à l'approbation de cette norme

559 © IEC - 5

INTERNATIONAL ELECTROTECHNICAL COMMISSION

BINARY FLOATING -POINT ARITHMETIC

FOR MICROPROCESSOR SYSTEMS

FOREWORD1) The formal decisions or agreements of the IEC on technical matters,

prepared by Technical Committees on which all the National Committees

having a special interest therein are represented, express, as nearly

as possible, an international consensus of opinion on the subjects

dealt with

2) They have the form of recommendations for international use and they

are accepted by the National Committees in that sense

3) In order to promote international unification, the IEC expresses the

wish that all National Committees should adopt the text of the IEC

recommendation for their national rules in so far as national

conditions will permit Any divergence between the IEC recommendation

and the corresponding national rules should, as far as possible, be

clearly indicated in the latter

PREFACEThis standard has been prepared by Sub-Committee 47B: Microprocessor

systems, of IEC Technical Committee No 47: Semiconductor devices (This

Sub-Committee has been taken over by ISO/IEC JTC 1 )

This second edition of IEC Publication 559 replaces the first edition

issued in 1982

The text of this standard is based on the following documents:

Six Months' Rule Report on Voting

Full information on the voting for the approval of this standard can be

found in the Voting Report indicated in the above table

- 6 - 559 ©C E IARITHMETIQUE BINAIRE EN VIRGULE FLOTTANTE

POUR SYSTEMES A MICROPROCESSEURS

1 Domaine d'application

1.1 Objectifs de réalisation

L'objectif est qu'une réalisation d'un système à virgule flottante

conforme à la présente norme puisse être effectuée entièrement par

logiciel, entièrement par matériel, ou par une combinaison quelconque

de logiciel et de matériel C'est l'environnement que le programmeur ou

l'utilisateur voit qui est conforme ou non conforme à cette norme Les

composants matériels qui nécessitent un support logiciel pour devenir

conformes ne doivent pas être qualifiés de conformes indépendamment

d'un tel logiciel

1 2 Inclusions

Cette norme spécifie:

1) les formats de base et étendu des nombres en virgule flottante;

2) les opérations d'addition, de soustraction, de multiplication, de

division, de calcul d'une racine carrée, du calcul d'un reste et de

comparaison;

3) les conversions entre nombres entiers et nombres en virgule

flottante;

4) les conversions entre différents formats en virgule flottante;

5) les conversions entre les nombres en virgule flottante en format de

base et les chaînes décimales, et

6) la détection et le traitement des conditions d'exception pour les

nombres en virgule flottante y compris les non-nombres ("NaN")

1.3 Exclusions

Cette norme ne spécifie pas:

1) les formats des chaînes décimales et des entiers;

2) l'interprétation des champs de signe et de mantisse des

non-nombres ("NaN") , ou

3) les conversions de binaire à décimal et réciproquement pour les

formats étendus

2 Définitions

Exposant avec excédent

Somme de l'exposant et d'une constante (excédent ou biais) choisie

de manière à rendre non négatif le domaine de l'exposant avec

excédent

It is intended that an implementation of a floating-point system

conforming to this standard can be realized entirely in software,

entirely in hardware, or in any combination of software and hardware

It is the environment that the programmer or user of the system sees

that conforms or fails to conform to this standard Hardware

components that require software support to conform shall not be said

to conform apart from such software

1 2 Inclusions

This standard specifies:

non-1.3 Exclusions

This standard does not specify:

1) formats of decimal strings and integers;

2) interpretation of the signs and significant fields of NaNs, or

2 Definitions

Biased exponent

The sum of the exponent and a constant (bias) chosen to make the

biased exponent's range non-negative

-8- 559©CEI

Nombre binaire en virgule flottante

Chaîne de bits caractérisée par trois éléments: un signe, un

expo-sant signé et une mantisse Sa valeur numérique, si elle existe, est le

produit signé de sa mantisse par deux élevé à la puissance de son

exposant Dans la présente norme, une chaîne de bits n'est pas

toujours distinguée du nombre qu'elle représente

Nombre dénormalisé

Nombre en virgule flottante non nul dont l'exposant a une valeur

réservée, d'habitude la valeur minimale du format et dont le bit

significatif de la mantisse, explicite ou implicite, est nul

Destination

Emplacement devant contenir le résultat d'une opération binaire ou

unaire La destination peut être soit désignée explicitement par

l'uti-lisateur ou fournie de manière implicite par le système (pour les

résultats intermédiaires dans les sous-expressions ou les arguments de

procédures par exemple) Certains langages placent les résultats des

calculs intermédiaires dans des emplacements non accessibles par

l'utilisateur Néanmoins, cette norme définit le résultat d'une opération

en termes du format de cette destination aussi bien que des valeurs

des opérandes

Exposant

Elément d'un nombre binaire en virgule flottante qui représente

normalement la puissance entière à laquelle deux est élevé pour

déterminer la valeur du nombre représenté Occasionnellement,

l'exposant est appelé exposant signé ou exposant sans excédent

Partie fractionnaire

Partie de la mantisse située à droite de sa virgule correspondante

Mode

Variable qu'un utilisateur peut positionner, tester, sauvegarder et

restaurer pour diriger l'exécution des opérations arithmétiques

ulté-rieures Le mode par défaut est le mode valable tant qu'une instruction

contraire explicite n'est pas incluse dans le programme ou sa

spécifi-cation

Les modes suivants doivent être mis en place:

1) arrondi, pour commander la direction des erreurs d'arrondi, et

dans certaines réalisations;

2) précision de l'arrondi, pour diminuer la précision des résultats Le

réalisateur peut fournir optionnellement les modes suivants:

d'exception

559 ©I EC - 9

Binary floating-point number

A bit-string characterized by three components: a sign, a signed

exponent, and a significand Its numerical value, if any, is the signed

product of its significand and two raised to the power of its

exponent In this standard a bit-string is not always distinguished

from a number it may represent

Denormalized number

A nonzero floating-point number, the exponent of which has a

reserved value, usually the format's minimum, and the explicit or

implicit leading significant bit of which is zero

Destination

The location for the result of a binary or unary operation The

destination may be either explicitly designated by the user or implicitly

supplied by the system (e.g intermediate results in sub-expressions

or arguments for procedures) Some languages place the results of

intermediate calculations in destinations beyond the user's control

Nonetheless, this standard defines the result of an operation in terms

of that destination's format as well as the operands' values

Exponent

The component of a binary floating-point number that normally

signifies the integer power to which two is raised in determining the

value of the represented number Occasionally the exponent is called

the signed or unbiased exponent

Fraction

The field of the significand that lies to the right of its implied

binary point

Mode

A variable that a user may set, sense, save and restore, to control

the execution of subsequent arithmetic operations The default mode is

the mode that a program can assume to be in effect unless an

explicitly contrary statement is included either in the program or in its

specification

The following modes shall be implemented:

certain implementations

imple-mentor may, at his option, implement the following modes:

- 10 - 559 ©C E I

NaN (non-nombre)

Non-nombre; entité symbolique codée selon le format virgule

flottante Il existe deux types de nombres (voir 6.2) Les

non-nombres indicateurs indiquent une condition d'exception concernant une

opération invalide (voir 7.1) lorsqu'ils apparaissent en tant

qu'opé-randes Les non-nombres muets se propagent à travers presque toutes

les opérations arithmétiques sans signaler d'exceptions

Résultat

Chaîne de bits (représentant généralement un nombre) qui est livrée

Mantisse

Elément d'un nombre binaire en virgule flottante constituée d'un bit

significatif explicite ou implicite placé à gauche de la virgule et d'un

champ fractionnaire à droite de la virgule

Doit

Le mot "doit" recouvre les parties obligatoires de toute réalisation

conforme

Il convient - II est recommandé - Il y a lieu

Ces termes recouvrent les parties qui sont fortement recommandées

comme étant dans l'esprit de cette norme, bien que des contraintes

l'occasion rendre ces recommandations peu pratiques

Indicateur d'état

Variable qui peut prendre deux états, actif (valeur 1) ou inactif

(valeur 0) Un utilisateur peut désactiver un indicateur, le copier, ou

le remettre dans un état antérieur Lorsqu'il est actif, un indicateur

peut contenir des informations supplémentaires dépendant du système

et éventuellement inaccessibles à certains utilisateurs Les opérations

définies par cette norme peuvent avoir comme effet secondaire

l'acti-vation de certains des indicateurs suivants: résultat inexact,

dépas-sement de capacité inférieur, dépasdépas-sement de capacité supérieur,

division par zéro et opération invalide

Utilisateur

Toute personne, tout matériel ou logiciel non spécifié lui-même dans

cette norme, ayant accès aux opérations de l'environnement de

pro-grammation spécifiées dans cette norme et qui les commande

3 Formats

Cette norme définit quatre formats de virgule flottante en deux

groupes, de base et étendu, chacun admettant deux largeurs, simple

et double précision Les niveaux de réalisation standard se distinguent

par les combinaisons de formats supportés

559 © IEC 11

-NaN

Not a number; a symbolic entity encoded in floating-point format

There are two types of NaNs (see 6.2) Signalling NaNs signal the

invalid operation exception (see 7.1) whenever they appear as

operands Quiet NaNs propagate through almost every arithmetic

operation without signalling exceptions

Result

The bit-string (usually representing a number) that is delivered to

the destination

Significant

The component of a binary floating-point number which consists of

an explicit or implicit leading bit to the left of its implied binary point

and a fraction field to the right

Shall

The word "shall" signifies that which is obligatory in any conforming

implementation

Should

The word "should" signifies that which is strongly recommended as

being in keeping with the intent of the standard, although

architectural or other constraints beyond the scope of this standard

may, on occasion, render the recommendations impractical

Status flag

A variable that may take two states, set and clear A user may clear

a flag, copy it, or restore it to a previous state When set, a status

flag may contain additional system-dependent information, possibly

inaccessible to some users The operations of this standard may, as a

side-effect, set some of the following flags: inexact result, underflow,

overflow, divide by zero and invalid operation

User

Any person, hardware, or program not itself specified by this

standard, having access to and controlling those operations of the

programming environment specified in this standard

3 Formats

This standard defines four floating-point formats in two groups,

basic and extended, each having two widths, single and double The

standard levels of implementation are distinguished by the combinations

of formats supported

- 12 - 559©CEI3.1 Ensembles de valeurs

Ce paragraphe concerne seulement les valeurs numériques

repré-sentables dans un format, et non leur codage qui fait l'objet des

paragraphes suivants Les seules valeurs représentables dans un

format donné sont celles qui sont spécifiées selon les trois paramètres

entiers suivants:

Emin

Les paramètres de chaque format sont regroupés dans le tableau 1

Pour chaque format, les seules entités qui doivent être fournies sont:

Nombres de la forme (-1) s2 E (b 0 b 1 b 2 bp_1)

ó:

s vaut 0 ou 1;

E est un entier compris entre E

chaque b vaut 0 ou 1.i min

max bornes incluses, et

au moins un non-nombre indicateur, et

au moins un non-nombre muet

Tableau 1 - Résumé des paramètres du format

Largeur du format (bits) 32 >43 64 >_79

La description précédente énumère certaines valeurs de manière

redondante, par exemple:

Cependant, le codage de telles valeurs non nulles peut être

redondant seulement pour les formats étendus (voir 3.3) Les valeurs

559©IEC 13

-3.1 Sets of values

This sub-clause concerns only the numerical values representable

within a format, not the encodings which are the subject of the

following sub-clauses The only values representable in a chosen

format are those specified via the following three integer parameters:

= number of significant bits (precision)

E

max

E= minimum exponent

m i n

Each format's parameters are displayed in Table 1 Within each

format just the following entities shall be provided:

at least one signalling NaN, and

at least one quiet NaN

Table 1 - Summary of format parameters

Parameter

Format

SiSingle Single

Extended Double

Double Extended

The foregoing description enumerates some values redundantly, for

example:

However, the encodings of such nonzero values may be redundant

only in extended formats (see 3.3) The nonzero values of the form

P

maximum exponent, and

- 14 - 559 © C EI

"dénormalisées" Des valeurs réservées d'exposants peuvent être

utilisées pour coder les non-nombres, ±oo, ±0, et les nombres

fournit un bit supplémentaire d'information Bien que tous les formats

aient des représentations distinctes pour +0 et -0, les signes sont

significatifs en certaines circonstances, comme la division par zéro, et

non dans d'autres Dans cette norme, 0 et oo sont écrits sans signe

lorsque ce dernier n'a pas d'importance

3.2 Formats de base

Les nombres en format simple et double précision se composent de

trois champs:

un signe s de 1 bit,

un exposant avec excédent e = E + excédent, et

Le domaine des valeurs de l'exposant sans excédent E doit inclure

dénormalisés, et Emax+1 pour coder ±o et les non-nombres Les

para-mètres ci-dessus apparaissent dans le tableau I Chaque valeur

numé-rique non nulle possède un codage unique Les champs sont

inter-prétés comme suit:

3.2.1 Simple précision

Un nombre X de 32 bits en format simple précision est constitué

comme indiqué sur la figure 1 La valeur v de X se déduit de ses

champs constitutifs soit:

"msb" représente le bit le plus significatif

"lsb" représente le bit le moins significatif

Figure 1 - Format simple précision

559 © IE C 15

-may be used to encode NaNs, ±^, ±0, and denormalized numbers For

any variable that has the value zero, the sign bit s provides an extra

bit of information Although all formats have distinct representations

for + 0, and -0, the signs are significant in some circumstances, like

division by zero, and not in others In this standard 0 and 0 are

written without a sign when the sign does not matter

The range of the unbiased exponent E shall include every integer

Table 1 Each nonzero numerical value has just one encoding The

fields are interpreted as follows:

3.2.1 Single

A 32-bit single format number X is divided as shown in Figure 1

The value y of X is inferred from its constituent fields thus:

"msb" means "most significant bit"

"lsb" means "least significant bit"

Figure 1 - Single format

3.2.2 Double précision

Un nombre X de 64 bits en format double précision est constitué

comme indiqué sur la figure 2 La valeur y de X se déduit de ses

champs constitutifs, soit:

Les formats étendus simple précision et double précision assurent le

codage de manière dépendante de la réalisation pour les ensembles de

permet à une réalisation de coder certaines valeurs de manière

redon-dante pourvu que cette redondance soit transparente à l'utilisateur

selon le sens suivant: soit une réalisation doit coder chaque valeur non

nulle de manière unique, soit elle ne doit faire aucune distinction entre

les codages redondants des valeurs non nulles Une réalisation peut

également réserver quelques chaînes de bits pour des utilisations en

dehors du domaine de cette norme; lorsqu'une telle chaîne de bits

réservée est utilisée comme opérande, le résultat n'est pas spécifié par

cette norme

Une réalisation de cette norme n'est pas tenue de faire en sorte (et

il y a lieu que l'utilisateur ne présume pas) que le format étendu

simple précision possède un domaine plus grand que le format étendu

double précision

3.4 Combinaisons de formats

Toutes les réalisations conformes à cette norme doivent supporter le

format simple précision Il convient que les réalisations supportent le

format étendu correspondant au format de base le plus grand qu'elles

supportent et elles ne sont pas tenues de supporter d'autres formats

étendus.*

C'est seulement au cas ou la compatibilité ascendante et la vitesse de

calcul sont importantes qu'il convient qu'un système supportant le

format étendu double précision supporte aussi le format étendu simple

précision

1

msb

559 © I EC 17

-3.2.2 Double

A 64-bit double format number X is divided as shown in Figure 2

The value y of X is inferred from its constituent fields thus:

The single extended and double extended formats encode in an

implementation-dependent way the sets of values in 3.1 subject to the

constraints of Table 1 This standard allows an implementation to

encode some values redundantly, provided that redundancy is

transparent to the user in the following sense: an implementation shall

either encode every nonzero value uniquely or not distinguish

redundant encodings of nonzero values An implementation may also

reserve some bit strings for purposes beyond the scope of this

standard; when such a reserved bit string occurs as an operand the

result is not specified by this standard

An implementation of this standard is not required to provide (and

the user should not assume) that single extended formats have greater

range than double extended formats

3.4 Combinations of formats

All implementations conforming to this standard shall support the

single format Implementations should support the extended format

corresponding to the widest basic format supported, and need not

support any other extended format.*

Only if upward compatibility and speed are important issues should a

system supporting the double extended format also support the single

extended format

msb

- 18- 559©CEI

4 Arrondi

L'arrondi considère un nombre comme infiniment précis et, si

néces-saire, le modifie pour l'adapter au format de la destination tout en

signalant l'exception d'inexactitude (voir 7.5) Sauf pour la conversion

binaire-décimale (dont les conditions plus faibles sont spécifiées en

5.6), chaque opération spécifiée dans l'article 5 doit être effectuée

comme si elle produisait tout d'abord un résultat intermédiaire correct

avec une précision infinie et avec un domaine illimité, puis exécutait

une opération d'arrondi sur ce résultat selon un des modes de cet

article

Les modes d'arrondi affectent toutes les opérations arithmétiques,

sauf la comparaison et le calcul du reste Les modes d'arrondi peuvent

affecter les signes des sommes de valeur nulle (voir 6.3) et affectent

les seuils au-delà desquels un dépassement (voir 7.3) et un

dépas-sement inférieur (voir 7.4) peuvent être signalés

4.1 Arrondi au plus près

Une réalisation de cette norme doit fournir un arrondi optimal (au

plus près) comme mode d'arrondi par défaut Dans ce mode, elle doit

fournir la valeur représentable la plus proche du résultat théorique

infiniment précis; si les deux valeurs représentables les plus proches

sont à égale distance du résultat théorique, la valeur fournie sera celle

dont le bit de poids faible est égal à zéro Cependant, un résultat

sont déterminés par le format de destination (article 3), à moins que

ce dernier ne soit annulé par un mode de précision d'arrondi

(voir 4.3)

4.2 Arrondis orientés

Une réalisation doit aussi fournir trois modes d'arrondi orientés au

choix de l'utilisateur: arrondi vers +o., arrondi vers -o et arrondi

vers O

Lors de l'arrondi vers +o, le résultat doit être la valeur du format

(éventuellement +o.) la plus proche du résultat théorique de précision

infinie et non inférieure à ce résultat théorique Lors de l'arrondi

vers -œ, le résultat doit être la valeur du format (éventuellement -o.)

la plus proche du résultat théorique de précision infinie et non

supé-rieure à ce résultat théorique

Lors de l'arrondi vers 0, le résultat doit être la valeur du format la

plus proche du résultat théorique de précision infinie, et non

supé-rieure en valeur absolue à ce résultat théorique

4.3 Précision d'arrondi

En général, un résultat est arrondi avec la précision correspondant

au format de sa destination Cependant, certains systèmes donnent des

résultats en format double précision ou en format étendu Sur un tel

système, l'utilisateur, qui peut être un compilateur de langage évolué,

doit pouvoir spécifier qu'un résultat doit être arrondi en simple

précision, même lorsqu'il est mémorisé en format double précision ou

559©IEC 19

-4 Rounding

Rounding takes a number regarded as infinitely precise and, if

necessary, modifies it to fit in the destination's format while signalling

conversion (the weaker conditions of which are specified in 5.6),

every operation specified in clause 5 shall be performed as if it first

produced an intermediate result correct to infinite precision and with

unbounded range, and then rounded that result according to one of

the modes in this clause

The rounding modes affect all arithmetic operations except

comparison and remainder The rounding modes may affect the signs of

zero sums (see 6.3), and do affect the threshold beyond which

4.1 Round to nearest

An implementation of this standard shall provide round to nearest as

the default rounding mode In this mode, the representable value

nearest to the infinitely precise result shall be delivered; if the two

nearest representable values are equally near, the one with its least

significant bit equal to zero shall be delivered However, an infinitely

4.2 Directed roundings

An implementation shall also provide three user-selectable directed

toward O

When rounding toward +0., the result shall be the format's value

(possibly -o.) closest to and no greater than the infinitely precise

result

When rounding toward 0, the result shall be the format's value

closest to and no greater in magnitude than the infinitely precise

result

4.3 Rounding precision

Normally a result is rounded to the precision of its destination

However, some systems deliver results only to double or extended

destinations On such a system the user, which may be a high-level

language compiler, shall be able to specify that a result be rounded

instead to single precision, though it may be stored in the double or

- 20 - 559 ©CEIétendu avec un exposant ayant un domaine plus étendu* De la même

manière, un système qui fournit des résultats seulement sous le format

étendu double précision doit permettre à l'utilisateur de spécifier

l'arrondi en simple ou double précision Il faut remarquer que pour

satisfaire aux spécifications de 4.1, le résultat ne peut pas être

entaché de plus d'une erreur d'arrondi

5 Opérations

Toutes les réalisations conformes à cette norme doivent fournir les

opérations suivantes: addition, soustraction, multiplication, division,

extraction de racine carrée, calcul du reste, arrondi vers entier en

format virgule flottante, conversion entre différents formats de

virgule flottante, conversion entre formats virgule flottante et entiers,

conversion binaire-décimale et comparaisons Le fait de considérer la

copie sans changement de format comme une opération est une option

de la réalisation Excepté pour la conversion binaire-décimale, chacune

des opérations doit être effectuée comme si elle produisait tout d'abord

un résultat intermédiaire correct avec une précision infinie et un

domaine de valeurs illimité, puis contraignait ce résultat intermédiaire à

s'adapter au format de destination (articles 4 et 7) L'article 6 étend

les spécifications suivantes de manière à couvrir ±0, ± et les

non-nombres; l'article 7 énumère les cas d'exception causés par des

opérandes et des résultats hors gamme

5.1 Arithmétique

Une réalisation doit offrir les opérations d'addition, de soustraction,

de multiplication, de division et de calcul du reste pour n'importe quel

couple d'opérandes de même format, et ce pour chaque format qui est

supporté Il y a lieu qu'elle offre aussi ces opérations pour des

opé-randes de format différents Le format de destination (sans tenir

compte de la commande de la précision d'arrondi de 4.3) doit être au

moins aussi étendu que le format le plus étendu des opérandes Tous

les résultats doivent être arrondis comme spécifié dans l'article 4

est pair Ainsi, le reste est toujours exact Si = 0, son signe doit

s'appliquer à l'opération de calcul du reste

La commande de la précision d'arrondi a pour but de permettre è des

systèmes pour lesquels les résultats sont toujours en format double

précision ou étendu de simuler, en l'absence de dépassement/dépassement

inférieur, la précision des systèmes opérant en simple ou double

précision Il ne convient pas qu'une réalisation fournisse des

opéra-tions qui combinent des opérandes de format double précision ou étendu

pour produire un résultat en simple précision, ni des opérations qui

combinent des opérandes de format étendu double précision pour produire

un résultat en double précision, avec seulement une opération

d'arrondi

559 © IEC 21

-extended format with its wider exponent range.* Similarly, a system

that delivers results only to double extended destinations shall permit

the user to specify rounding to single or double precision Note that

to meet the specifications in 4.1, the result cannot suffer more than

one rounding error

5 Operations

All conforming implementations of this standard shall provide

oper-ations to add, subtract, multiply, divide, extract the square root, find

the remainder, round to integer in floating-point format, convert

between different floating-point formats, convert between floating-point

and integer formats, convert binary decimal, and compare Whether

copying without change of format is considered as an operation is an

implementation option Except for binary • * decimal conversion, each of

the operations shall be performed as if it first produced an

inter-mediate result correct to infinite precision and with unbounded range,

and then coerced this intermediate result to fit in the destination's

format (clauses 4 and 7) Clause 6 augments the following

specifica-tions to cover ±0, ±., and NaNs; clause 7 enumerates excepspecifica-tions

caused by exceptional operands and exceptional results

5.1 Arithmetic

An implementation shall provide the add, subtract, multiply, divide,

and remainder operations for any two operands of the same format, for

each supported format; it should also provide the operations for

operands of differing formats The destination format (regardless of

the rounding precision control of 4.3) shall be at least as wide as the

wider operand's format All results shall be rounded as specified in

clause 4

When y # 0, the remainder â = x REM y is defined regardless of the

rounding mode by the mathematical relation tf = x - y x n, where n is

n is even Thus, the remainder is always exact If Z = 0, its sign

shall be that of x Precision control (see 4.3) shall not apply to the

remainder operation

Control of rounding precision is intended to allow systems the

destina-tions of which are always double or extended to mimic, in the absence

of over/underflow, the precisions of systems with single and double

destinations An implementation should not provide operations that

combine double or extended operands to produce a single result, nor

operations that combine double extended operands to produce a double

result, with just one rounding

- 22 - 559 ©C E I

5.2 Racine carrée

L'opération d'extraction de la racine carrée doit être offerte pour

tous les formats supportés Le résultat est défini et possède un signe

positif pour tous les opérandes >_0 à l'exception près que 1-0 doit être

égal à -O Le format de destination doit être au moins aussi étendu que

celui des opérandes Le résultat doit être arrondi comme spécifié dans

l'article 4

5.3 Conversions des formats virgule flottante

Il doit être possible de convertir des nombres en virgule flottante

entre tous les formats supportés Si le résultat de la conversion a une

précision moindre, le résultat doit être arrondi comme spécifié dans

l'article 4 La conversion vers un format de précision supérieure, doit

être exacte Il n'y a pas d'exception

5.4 Conversion entre virgule flottante et entier

Il doit être possible d'effectuer des conversions entre tous les

formats en virgule flottante supportés La conversion vers des entiers

doit s'effectuer par arrondi comme spécifié dans l'article 4 Les

conversions entre formats de nombres entiers en virgule flottante et

formats de nombres entiers doit être exacte, à moins qu'une exception

ne se produise comme il est spécifié en 7.1

5.5 Arrondi de nombres en virgule flottante vers une valeur entière

Il doit être possible d'effectuer une opération d'arrondi sur un

nombre en virgule flottante pour obtenir une valeur entière dans le

même format virgule flottante L'arrondi doit être conforme à la

spéci-fication de l'article 4, avec la condition que lors d'un arrondi au plus

près, si la différence entre l'opérande non arrondi et le résultat

arrondi est exactement un demi, le résultat arrondi est pair

5.6 Conversion binaire- décimale

La conversion entre des chaînes décimales dans un format au moins

et des nombres binaires en virgule flottante dans tous les formats de

base supportés doit être offerte pour tous les nombres couvrant les

domaines spécifiés dans le tableau 2 Les entiers M et N des tableaux 2

et 3 sont tels que les chaînes décimales ont pour valeur ±M x 10 #N En

entrée, les zéros de queue doivent être ajoutés ou ôtés de M (dans les

la destination est une chaîne décimale, il y a lieu que son digit le

moins significatif soit positionné selon les spécifications du format

concernant l'arrondi

Lorsque l'entier M a une valeur située en dehors du domaine spécifié

dans les tableaux 2 et 3, c'est-à-dire lorsque M _> 10 9 pour la simple

précision et 1017 pour la double précision, le réalisateur peut, en

option altérer tous les digits significatifs situés après le neuvième en

simple précision et après le dix-septième en double précision en leur

donnant d'autres valeurs, en général O

559 © I EC 23

-5.2 Square root

The square root operation shall be provided in all supported

formats The result is defined and has a positive sign for all operands

?0, except that 1-0 shall be -O The destination format shall be at

least as wide as the operand's The result shall be rounded as

speci-fied in clause 4

5.3 Floating-point format conversions

It shall be possible to convert floating-point numbers between all

supported formats If the conversion is to a narrower precision, the

result shall be rounded as specified in clause 4 Conversion to a wider

precision shall be exact There is no exception

5.4 Conversions between floating-point and integer

It shall be possible to convert between all supported floating-point

formats and all supported integer formats Conversion to integer shall

be effected by rounding as specified in clause 4 Conversions between

floating-point integers and integer formats shall be exact unless an

exception arises as specified in 7.1

5.5 Round floating-point number to integral value

It shall be possible to round a floating-point number to an integral

valued floating-point number in the same format The rounding shall

be as specified in clause 4, with the understanding that when

rounding to nearest, if the difference between the unrounded operand

and the rounded result is exactly one half, the rounded result is

even

5.6 Binary F t decimal conversion

Conversion between decimal strings in at least one format, and

binary floating-point numbers in all supported basic formats, shall be

provided for numbers throughout the ranges specified in Table 2 The

integers M and N in Tables 2 and 3 are such that the decimal strings

have values ±M x 10±N On input, trailing zeros shall be appended to

or stripped from M (up to the limits specified in Table 2) in order to

minimize N When the destination is a decimal string, its least

significant digit should be located by format specifications for purposes

of rounding

When the integer M lies outside the range specified in Tables 2

and 3, i.e when M > 109 for single or 10 17 for double, the

imple-mentor may, at his option, alter all significant digits after the ninth

for single and seventeenth for double, to other decimal digits,

typically O