Math.fma()比a*b+c更准，因其在硬件支持下以扩展精度执行乘加全过程，仅最终舍入一次；而后者需两次独立舍入，易累积误差。
math.fma() 是 java 8 引入的底层数值优化方法，它将乘法和加法合并为单次融合运算（fused multiply-add），在硬件支持下可避免中间结果舍入，从而提升精度与性能——尤其适用于科学计算、数值模拟和机器学习中的密集浮点运算。
为什么 fma 比 a * b + c 更准？
普通写法 a * b + c 实际执行两步舍入：先算 a * b（舍入一次），再加 c（再舍入一次）。而 Math.fma(a, b, c) 在支持 FMA 的 CPU（如 x86-64 的 FMA3 指令集）上，以扩展精度（如 80 位或内部 128 位）完成整个运算，仅在最终结果输出时舍入一次。这显著减少累积误差。
- 例如：
double a = 1e16, b = 1.0000000000000002, c = -1e16；a * b + c可能得 0.0（因a * b被截断为1e16），而Math.fma(a, b, c)能正确返回约2.0 - IEEE 754-2008 明确定义 FMA 语义，Java 严格遵循该标准
哪些场景适合用 Math.fma()？
不是所有乘加都值得改写，关键看是否对精度敏感且存在大量重复模式：
- 多项式求值（如 Horner 方法）：把
(((a₃·x + a₂)·x + a₁)·x + a₀)改为Math.fma(Math.fma(Math.fma(a₃, x, a₂), x, a₁), x, a₀) - 向量点积（dot product）：循环中累加
sum = Math.fma(x[i], y[i], sum)，比sum += x[i] * y[i]更稳 - 矩阵乘法内层循环、复数乘法、滤波器系数更新等固定三元结构
使用时要注意什么？
它不是“开箱即提速”的银弹，需结合平台与数据特征判断：
- 必须运行在支持 FMA 的 JVM 上（HotSpot 从 JDK 8u40+ 默认启用，但需底层 CPU 支持；可通过
java -XX:+PrintAssembly查指令，或检测sun.misc.Unsafe.getFence()行为间接验证） - 对极小或极大数值，FMA 不改变溢出/下溢行为，但可能延迟其发生；仍需结合
Math.ulp()或区间算术做误差分析 - 编译器无法自动将
a*b+c替换为 fma（Java 不允许隐式重排浮点语义），必须显式调用 - 浮点类型限定为
double和float重载，无long或BigDecimal版本
简单性能与精度对比示例
以下代码片段可在实际环境中验证差异：
立即学习“Java免费学习笔记（深入）”；
// 精度对比
double a = 1e16;
double b = 1.0000000000000002;
double c = -1e16;
System.out.println(a * b + c); // 输出 0.0（丢失精度）
System.out.println(Math.fma(a, b, c)); // 输出 ~2.0（保留有效数字）
<p>// 性能提示：在热点循环中，JIT 可将 Math.fma 编译为单条 CPU 指令（如 vfmadd231sd）
double sum = 0.0;
for (int i = 0; i < 1000000; i++) {
sum = Math.fma(x[i], y[i], sum); // 比 sum += x[i] * y[i] 少一次内存读+一次舍入
}</p>实测显示，在开启分层编译（默认）且 CPU 支持 FMA 的服务器上，点积类运算吞吐量可提升 10%–25%，同时误差降低 1–2 个数量级。
