原码反码补码

简介: 原文:原码反码补码原码:  -16  =  10010000    1表示符号位(1负0正) 反码:  -16  =  11101111    补码:  -16  =  11110000   原码:   9  =  00001001    1表示符号位(1负0正) 反码:   9  = ...
原文: 原码反码补码

原码:  -16  =  10010000    1表示符号位(1负0正)

反码:  -16  =  11101111   

补码:  -16  =  11110000

 

原码:   9  =  00001001    1表示符号位(1负0正)

反码:   9  =  00001001  

补码:   9  =  00001001

 

-16 + 9

11110000

+  00001001

   11111001(补码)

 

11111001的反码 10000110

11111001的原码 10000111 = -7

 

-7  原码  100000111

-7  反码  111111000

-7  补码  111111001

 

补码减1得到反码,反码取反得到原码

-----------------------------------------------------------------

#include<stdlib.h>
#include<stdio.h>
int main(int argc, char* argv[])
{
 short a, b, c;
 a = 32767;
 b = a + 1;
 c = b + 1;
 printf("%d\n", sizeof(a));
 printf("a = %d, b = %d, c = %d", a, b, c);
 getchar();
 return EXIT_SUCCESS;
}

运行结果:

因为a = 32767,正数的原码反码补码都是一样,内存中数据用补码表示,所以a在内存中表示为0111 1111 1111 1111

1在内存中的表示为0000 0000 0000 0001

于是a + 1 对补码进行与运算得到

     0111 1111 1111 1111

     0000 0000 0000 0001

---------------------------------------

     1000 0000 0000 0000

 而1000 0000 0000 0000最高位是1表示负数,又因为其是补码,补码减1取反得到:

     1000 0000 0000 0000

     0000 0000 0000 0001

------------------

     1111 1111 1111 1111

对1111 1111 1111 1111 取反得到

   1000 0000 0000 0000 值为-32768

因为-32768 在内存中的补码为: 1000 0000 0000 0000

当-32768 + 1 表示为:

   1000 0000 0000 0000

   0000 0000 0000 0001

-------------------------------------------------

  1000 0000 0000 0001

1000 0000 0000 0001为补码,对其减1取反:

   1000 0000 0000 0001

   0000 0000 0000 0001

-----------------------------------

   1000 0000 0000 0000

对1000 0000 0000 0000取反得到:

   1111 1111 1111 1111表示数值-32767

 

目录
相关文章
|
监控 Java Apache
Apache Log4j使用实例
Apache Log4j使用实例  原创作品,允许转载,转载时请务必以超链接形式标明文章 原始出处 、作者信息和本声明。否则将追究法律责任。  Blog:  1.Logger类 通过Logger类的静态方法Logger.getRootLogger得到RootLogger。
1151 0
|
9天前
|
数据采集 人工智能 安全
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
298 164
|
3天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
311 155
|
11天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
857 6