当前位置: 首页 > news >正文

计算机算术4-整形乘法

1. 算法简介

1.1 booth 编码

  1. radix2 booth encode
    在移位相加乘法中,我们可以直接跳过乘数中连续的0,因为被乘数乘以0也是0。而booth编码则允许我们将乘数中连续的n个1涉及的n次移位相加化简为一次移位相加与一次移位相减法,而增加乘数的稀疏度(增加0的数量)
    其中radix2的booth编码是
    截屏2025-07-25 20.15.28.png

  2. 乘以一个常数
    用到booth编码优化常数c的编码,或者做出一些其它优化,毕竟c是固定的。例如如果c=113,根据113=16(8-1)+1,我们可以把乘法过程优化为
    截屏2025-07-25 20.18.18.png

  3. radix4 booth encode
    我们也可以使用{0,a,2a,-a}代替{0,a,2a,3a}作为部分积,即将其中的3a代替为-a。这样就能避免 a+2a的计算。具体做法是,如果第i次迭代的部分积为3a,那我们就把这个部分积替代为-a,然后在第i+1迭代中补上这个-a。这样就能避免出现部分积为3a的情况,从而避免这个加法。但这么做可能导致乘法器最后必须多迭代一次(补上前一次迭代中的-a)
    截屏2025-07-25 20.20.59.png
    截屏2025-07-25 20.21.53.png

1.2 华莱士树

一般在做较多数字的加减法操作的时候我们会选择将这些操作数进行压缩,即找到2个数使得他们的和等效成原先的那组数,一般多组数据要通过华莱士数进行压缩,而华莱士树是由一系列的压缩器构成的。
在这里插入图片描述

1.3 3-2压缩器

3-2压缩器的本质是全加器,或者说是一个保存进位的加法器(csa),其中的
sum = a ^ b ^ c
car = a&b | a&c | b&c
sum_out = 2car + sum = a + b + c

2. 小结

Booth 编码(Booth Encoding) 是一种用于优化二进制乘法运算的编码技术,由 Andrew Donald Booth 于 1951 年提出。其核心作用是减少乘法过程中加法运算的次数,尤其在带符号数(补码)乘法中能显著提升效率,广泛应用于处理器、数字信号处理器(DSP)等硬件设计中。

为什么需要 Booth 编码?

传统二进制乘法中,乘数的每一位(0 或 1)都会决定是否累加被乘数,若乘数存在连续多个 1,会导致多次重复加法(例如:1110₂表示需要 3 次累加)。
Booth 编码通过将乘数中连续的 1 转化为更简洁的编码形式,减少加法次数(如 1110₂可简化为 1 次加法和 1 次移位),从而降低硬件复杂度、缩短运算时间。

http://www.xdnf.cn/news/1184023.html

相关文章:

  • UE5多人MOBA+GAS 30、技能升级机制
  • Android补全计划 DrawerLayout使用
  • Chromadb 1.0.15 索引全解析:从原理到实战的向量检索优化指南
  • 飞行控制领军者 | 边界智控携高安全级飞控系统亮相2025深圳eVTOL展
  • 算法思维进阶 力扣 62.不同路径 暴力搜索 记忆化搜索 DFS 动态规划 C++详细算法解析 每日一题
  • 广州 VR 安全用电技术:工作原理、特性及优势探析​
  • 用 Cherry Studio 与 Playwright MCP 实现智能浏览器自动化
  • 多租户系统中的安全隔离机制设计
  • vue使用xlsx库导出excel
  • 负载均衡:提升业务性能的关键技术
  • ATR2652SGNSS全频段低噪声放大器
  • reflections:Java非常好用的反射工具包
  • centos7 安装docker docker-compose
  • Java环境配置之各类组件下载安装教程整理(jdk、idea、git、maven、mysql、redis)
  • 深入解析MongoDB分片原理与运维实践指南
  • 【Python小工具】-英文大小写转换功能的GUI工具
  • 解放生产力:Amazon API Gateway 与 Amazon Lambda 的优雅组合
  • 基坑渗压数据不准?选对渗压计能实现自动化精准监测吗?
  • 如何在 FastAPI 中玩转 GraphQL 和 WebSocket 的实时数据推送魔法?
  • 云原生 —— K8s 容器编排系统
  • 在FreeBSD系统下使用llama-cpp运行飞桨开源大模型Ernie4.5 0.3B(失败)
  • 相机ROI 参数
  • Vim 编辑器全模式操作指南
  • 【神经网络概述】从感知机到深度神经网络(CNN RNN)
  • 【算法-图论】图的存储
  • Langchain学习——PromptTemplate
  • 关于“PromptPilot”
  • 【大模型实战】提示工程(Prompt Engineering)
  • Tomcat线程池深度优化指南:高并发场景下的maxConnections计算与监控体系
  • 门店管理智能体,为连锁运营开出健康“处方” 智睿视界