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。

在GNU libm中，sin的实现依赖于系统。因此，您可以在sysdeps的适当子目录中找到每个平台的实现。

一个目录包含一个由IBM贡献的C语言实现。自2011年10月以来，这是在典型的x86-64 Linux系统上调用sin()时实际运行的代码。它显然比汇编指令中的f_f快。源代码:sysdeps/ieee754/dbl-64/s_sin.c，查找__sin (double x)。

这段代码非常复杂。没有一种软件算法在整个x值范围内尽可能快且准确，因此库实现了几种不同的算法，它的第一项工作是查看x并决定使用哪种算法。

When x is very very close to 0, sin(x) == x is the right answer. A bit further out, sin(x) uses the familiar Taylor series. However, this is only accurate near 0, so... When the angle is more than about 7°, a different algorithm is used, computing Taylor-series approximations for both sin(x) and cos(x), then using values from a precomputed table to refine the approximation. When |x| > 2, none of the above algorithms would work, so the code starts by computing some value closer to 0 that can be fed to sin or cos instead. There's yet another branch to deal with x being a NaN or infinity.

这段代码使用了一些我以前从未见过的数值技巧，尽管据我所知，它们可能在浮点专家中很有名。有时几行代码需要几段文字来解释。例如，这两条线

double t = (x * hpinv + toint);
double xn = t - toint;

(有时)用于将x减小到接近0的值，该值与x相差π/2的倍数，特别是xn × π/2。这种没有划分或分支的方式相当聪明。但是没有任何评论!

旧的32位版本的GCC/glibc使用fsin指令，这对于某些输入是非常不准确的。有一篇精彩的博客文章用两行代码说明了这一点。

fdlibm在纯C中实现sin要比glibc简单得多，而且注释很好。源代码:fdlibm/s_sin.c和fdlibm/k_sin.c

无论何时这样一个函数被求值，那么在某种程度上很可能有:

内插的值表(用于快速，不准确的应用程序-例如计算机图形) 收敛于期望值的级数的计算——可能不是泰勒级数，更可能是基于像克伦肖-柯蒂斯这样的奇异正交。

如果没有硬件支持，那么编译器可能会使用后一种方法，只发出汇编代码(没有调试符号)，而不是使用c库——这让您在调试器中跟踪实际代码变得很棘手。

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

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。