number.epsilon的作用是提供约2.22e-16的标准化基准值，用于构建安全的浮点数近似相等判断逻辑，而非替代===或充当万能阈值；它解决0.1+0.2!==0.3等因ieee 754精度限制导致的误判，需结合相对误差（如math.abs(a-b)

number.epsilon 的作用是提供一个标准化的、与 ieee 754 双精度浮点数精度匹配的基准值（约 2.22e-16），用于构建**安全的浮点数近似相等判断逻辑**，而不是直接替代 === 或充当“万能精度阈值”。

它解决的核心问题：浮点表示误差导致的误判

JavaScript 使用二进制浮点数存储数字，很多十进制小数（如 0.1、0.2）无法精确表示。因此：

• 0.1 + 0.2 === 0.3 返回 false
• 实际计算结果存在微小偏差（例如差值约 5.55e-17）
• 直接用严格相等比较会破坏数学直觉和算法稳定性

它不是什么

理解它的边界比记住数值更重要：

deep-java-review

Java项目代码review工具。分析Git变更+完整调用链路上下文，推断业务需求，进行多维度评分和分类汇总，生成完整PRD文档。包含细粒度Java代码审查清单（Null安全、异常处理、Streams、并发、equals/hashCode、资源管理、API设计、性能、MyBatis/ORM、事务边界、SQL/DD...

下载

• 不是“全局最小误差”——只反映 1 附近的可分辨间隔
• 不随数值大小自动缩放——对 1000 或 1e-10 这类数，直接用 Math.abs(a - b) 会失效
• 不适用于金融计算（需固定小数位）、大整数运算（应使用 Number.isSafeInteger）或极小数量级场景（如量子物理模拟）

它该怎么用才有效

关键在于把 EPSILON 当作相对误差的单位，结合数值量级动态调整容差：

• 推荐方式：相对误差比较
  Math.abs(a - b)
• 更健壮写法（兼顾接近零的情况）：
  Math.abs(a - b)
• 业务敏感时可叠加绝对容差：
  Math.abs(a - b)

典型适用场景

它真正起效的地方，是那些因浮点误差可能引发连锁故障的底层逻辑：

• 数值迭代算法中的收敛判定（如牛顿法、梯度下降）
• 几何计算中的点是否在直线上、两线段是否相交
• 物理引擎中碰撞检测的临界距离判断
• 图形渲染中顶点去重或法向量归一化后的等价性校验

Java免费学习笔记：立即使用
解锁 Java 大师之旅：从入门到精通的终极指南