为何arc sine、arc cosine等反三角函数计算成本低于三角函数？

我在浏览器中运行了以下代码：

function test(f) {
  const start = performance.now();
  for (let i = 0; i < 1000000; i++) {
    f(i);
  }
  const end = performance.now();
  return (end - start) / 1000;
}

function bigTest() {
  let cosResults = [];
  let acosResults = [];
  let sinResults = [];
  let asinResults = [];
  let tanResults = [];
  let atanResults = [];
  let atan2Results = [];
  let sumResults = [];
  for (let i = 0; i < 50; i++) {
    cosResults.push(test(Math.cos));
    acosResults.push(test(Math.acos));
    sinResults.push(test(Math.sin));
    asinResults.push(test(Math.asin));
    tanResults.push(test(Math.tan));
    atanResults.push(test(Math.atan));
    atan2Results.push(test((a) => Math.atan2(a, a)));
    sumResults.push(test((a) => a + 2 * a));
  }
  return {
    cos: cosResults.reduce((a, b) => a + b, 0) / 50,
    acos: acosResults.reduce((a, b) => a + b, 0) / 50,
    sin: sinResults.reduce((a, b) => a + b, 0) / 50,
    asin: asinResults.reduce((a, b) => a + b, 0) / 50,
    tan: tanResults.reduce((a, b) => a + b, 0) / 50,
    atan: atanResults.reduce((a, b) => a + b, 0) / 50,
    atan2: atan2Results.reduce((a, b) => a + b, 0) / 50,
    sum: sumResults.reduce((a, b) => a + b, 0) / 50
  };
}

console.log(bigTest());

我得到的测试结果如下：

tan:    0.02815s
atan2:  0.02225s
cos:    0.01768s
sin:    0.01767s
atan:   0.01137s
acos:   0.00717s
asin:   0.00662s
sum:    0.00401s

为何计算arc sine和arc cosine的成本低于sin和cos？

我正在编写实时模拟程序，需要计算两个向量的夹角并与静止角度对比。我知道点积可以得到余弦值，但因认为acos计算成本极高而不愿使用。于是我设计了上述测试验证其开销，结果令我意外，现在我想了解其中原因：从测试结果来看，acos的计算成本似乎并没有那么高。同时想探讨为何反三角函数整体计算成本低于三角函数本身？

原因解析 #

1. 测试输入的特殊性 #

你的测试中，Math.asin和Math.acos的输入是从0到999999的整数，当输入值超出[-1,1]的有效范围时，浏览器的Math函数实现会直接返回NaN——这一步只需要简单的范围检查，完全不需要执行完整的反三角函数计算逻辑。而Math.sin/Math.cos无论输入多大，都需要先将输入值归约到三角函数的周期内（比如通过取模运算把大角度值映射到[-π, π]区间），这一步本身就有额外开销，之后还要执行三角函数的核心计算，所以整体耗时远高于前者。

2. 算法实现的优化差异 #

现代浏览器的Math库函数大多基于硬件指令或高度优化的数学算法（如CORDIC迭代、多项式逼近）：

• 反三角函数的输入范围固定在[-1,1]，可以针对这个窄范围设计更高效的逼近算法，所需的迭代次数或计算步骤更少；
• 三角函数需要处理任意实数输入，周期归约的步骤（尤其是处理极大值时）会增加计算成本，而且其逼近算法需要覆盖更大的输入区间，复杂度相对更高。

3. 实际场景的性能参考 #

在你开发的实时模拟场景中，向量点积的结果必然在[-1,1]范围内（因为归一化后的向量点积等于夹角的余弦值），此时acos会执行完整的计算逻辑，耗时会比测试中的结果高，但现代浏览器的JIT编译和硬件加速已经让这些数学函数的性能足够支撑实时模拟需求。如果仍需优化，可以考虑：

• 提前对向量做归一化处理，避免重复计算；
• 针对特定精度需求使用近似算法（如多项式拟合替代完整的反三角函数计算）。

内容的提问来源于stack exchange，提问作者Matheus C