没有什么比点击源代码，看看人们是如何在常用的库中实际完成它的了;让我们特别看看一个C库实现。我选择了uLibC。

这是sin函数:

http://git.uclibc.org/uClibc/tree/libm/s_sin.c

看起来它处理了一些特殊情况，然后执行一些参数约简，将输入映射到范围[-pi/4,pi/4]，(将参数分成两部分，一个大的部分和一个尾巴)，然后调用

http://git.uclibc.org/uClibc/tree/libm/k_sin.c

然后作用于这两个部分。 如果没有尾巴，则使用13次多项式生成近似答案。 如果有尾巴，根据sin(x+y) = sin(x) + sin'(x')y的原理，你会得到一个小的修正

库函数的实际实现取决于特定的编译器和/或库提供程序。不管它是用硬件还是软件，不管它是不是泰勒展开，等等，都会有所不同。

我意识到这完全没有帮助。

是的，也有计算罪恶的软件算法。基本上，用数字计算机计算这些东西通常是用数值方法来完成的，比如近似表示函数的泰勒级数。

数值方法可以将函数近似到任意精度，因为浮点数的精度是有限的，所以它们非常适合这些任务。

它们通常在软件中实现，在大多数情况下不会使用相应的硬件(即汇编)调用。然而，正如Jason所指出的，这些是特定于实现的。

请注意，这些软件例程不是编译器源代码的一部分，而是可以在相应的库中找到，例如clib或GNU编译器的glibc。看到http://www.gnu.org/software/libc/manual/html_mono/libc.html三角函数

如果你想要更大的控制权，你应该仔细评估你到底需要什么。一些典型的方法是查找表的插值、程序集调用(通常很慢)或其他近似方案，如Newton-Raphson的平方根。

对于罪恶，用泰勒展开可以得到

Sin (x) = x - x^3/3!+ x ^ 5/5 !- x ^ 7/7 !+……(1）

您将继续添加项，直到它们之间的差异低于可接受的容忍水平，或者只是有限的步数(更快，但不太精确)。举个例子:

float sin(float x)
{
  float res=0, pow=x, fact=1;
  for(int i=0; i<5; ++i)
  {
    res+=pow/fact;
    pow*=-1*x*x;
    fact*=(2*(i+1))*(2*(i+1)+1);
  }

  return res;
}

注:(1)适用于小角度的近似值sin(x)=x。对于更大的角度，你需要计算越来越多的项才能得到可接受的结果。 你可以使用while参数并继续，以达到一定的准确性:

double sin (double x){
    int i = 1;
    double cur = x;
    double acc = 1;
    double fact= 1;
    double pow = x;
    while (fabs(acc) > .00000001 &&   i < 100){
        fact *= ((2*i)*(2*i+1));
        pow *= -1 * x*x; 
        acc =  pow / fact;
        cur += acc;
        i++;
    }
    return cur;

}

切比雪夫多项式，正如在另一个答案中提到的，是函数和多项式之间的最大差异尽可能小的多项式。这是一个很好的开始。

在某些情况下，最大误差不是你感兴趣的，而是最大相对误差。例如，对于正弦函数，x = 0附近的误差应该比较大的值小得多;你想要一个小的相对误差。所以你可以计算sinx / x的切比雪夫多项式，然后把这个多项式乘以x。

Next you have to figure out how to evaluate the polynomial. You want to evaluate it in such a way that the intermediate values are small and therefore rounding errors are small. Otherwise the rounding errors might become a lot larger than errors in the polynomial. And with functions like the sine function, if you are careless then it may be possible that the result that you calculate for sin x is greater than the result for sin y even when x < y. So careful choice of the calculation order and calculation of upper bounds for the rounding error are needed.

例如，sinx = x - x^3/6 + x^5 / 120 - x^7 / 5040…如果你天真地计算sinx = x * (1 - x^2/6 + x^4/120 - x^6/5040…)，那么括号中的函数是递减的，如果y是x的下一个大的数字，那么有时siny会小于sinx。相反，计算sinx = x - x^3 * (1/6 - x^2/ 120 + x^4/5040…)，这是不可能发生的。

例如，在计算切比雪夫多项式时，通常需要将系数四舍五入到双倍精度。但是，虽然切比雪夫多项式是最优的，但系数舍入为双精度的切比雪夫多项式并不是具有双精度系数的最优多项式!

For example for sin (x), where you need coefficients for x, x^3, x^5, x^7 etc. you do the following: Calculate the best approximation of sin x with a polynomial (ax + bx^3 + cx^5 + dx^7) with higher than double precision, then round a to double precision, giving A. The difference between a and A would be quite large. Now calculate the best approximation of (sin x - Ax) with a polynomial (b x^3 + cx^5 + dx^7). You get different coefficients, because they adapt to the difference between a and A. Round b to double precision B. Then approximate (sin x - Ax - Bx^3) with a polynomial cx^5 + dx^7 and so on. You will get a polynomial that is almost as good as the original Chebyshev polynomial, but much better than Chebyshev rounded to double precision.

Next you should take into account the rounding errors in the choice of polynomial. You found a polynomial with minimum error in the polynomial ignoring rounding error, but you want to optimise polynomial plus rounding error. Once you have the Chebyshev polynomial, you can calculate bounds for the rounding error. Say f (x) is your function, P (x) is the polynomial, and E (x) is the rounding error. You don't want to optimise | f (x) - P (x) |, you want to optimise | f (x) - P (x) +/- E (x) |. You will get a slightly different polynomial that tries to keep the polynomial errors down where the rounding error is large, and relaxes the polynomial errors a bit where the rounding error is small.

所有这些将使您轻松地获得最多0.55倍于最后一位的舍入误差，其中+，-，*，/的舍入误差最多为0.50倍于最后一位。