Diagrams.Solve.Polynomial:cubForm from diagrams-solve-0.1, D

Percentage Accurate: 98.0% → 99.6%

Time: 8.2s

Alternatives: 4

Speedup: 0.5×

Specification

Math

\[\begin{array}{l} \\ \frac{1}{3} \cdot \cos^{-1} \left(\frac{3 \cdot \frac{x}{y \cdot 27}}{z \cdot 2} \cdot \sqrt{t}\right) \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (* (/ 1.0 3.0) (acos (* (/ (* 3.0 (/ x (* y 27.0))) (* z 2.0)) (sqrt t)))))

C

double code(double x, double y, double z, double t) {
	return (1.0 / 3.0) * acos((((3.0 * (x / (y * 27.0))) / (z * 2.0)) * sqrt(t)));
}

Fortran

real(8) function code(x, y, z, t)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    code = (1.0d0 / 3.0d0) * acos((((3.0d0 * (x / (y * 27.0d0))) / (z * 2.0d0)) * sqrt(t)))
end function

Java

public static double code(double x, double y, double z, double t) {
	return (1.0 / 3.0) * Math.acos((((3.0 * (x / (y * 27.0))) / (z * 2.0)) * Math.sqrt(t)));
}

Python

def code(x, y, z, t):
	return (1.0 / 3.0) * math.acos((((3.0 * (x / (y * 27.0))) / (z * 2.0)) * math.sqrt(t)))

Julia

function code(x, y, z, t)
	return Float64(Float64(1.0 / 3.0) * acos(Float64(Float64(Float64(3.0 * Float64(x / Float64(y * 27.0))) / Float64(z * 2.0)) * sqrt(t))))
end

MATLAB

function tmp = code(x, y, z, t)
	tmp = (1.0 / 3.0) * acos((((3.0 * (x / (y * 27.0))) / (z * 2.0)) * sqrt(t)));
end

Wolfram

code[x_, y_, z_, t_] := N[(N[(1.0 / 3.0), $MachinePrecision] * N[ArcCos[N[(N[(N[(3.0 * N[(x / N[(y * 27.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] / N[(z * 2.0), $MachinePrecision]), $MachinePrecision] * N[Sqrt[t], $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]

Initial Program: 98.0% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \frac{1}{3} \cdot \cos^{-1} \left(\frac{3 \cdot \frac{x}{y \cdot 27}}{z \cdot 2} \cdot \sqrt{t}\right) \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (* (/ 1.0 3.0) (acos (* (/ (* 3.0 (/ x (* y 27.0))) (* z 2.0)) (sqrt t)))))

C

double code(double x, double y, double z, double t) {
	return (1.0 / 3.0) * acos((((3.0 * (x / (y * 27.0))) / (z * 2.0)) * sqrt(t)));
}

Fortran

real(8) function code(x, y, z, t)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    code = (1.0d0 / 3.0d0) * acos((((3.0d0 * (x / (y * 27.0d0))) / (z * 2.0d0)) * sqrt(t)))
end function

Java

public static double code(double x, double y, double z, double t) {
	return (1.0 / 3.0) * Math.acos((((3.0 * (x / (y * 27.0))) / (z * 2.0)) * Math.sqrt(t)));
}

Python

def code(x, y, z, t):
	return (1.0 / 3.0) * math.acos((((3.0 * (x / (y * 27.0))) / (z * 2.0)) * math.sqrt(t)))

Julia

function code(x, y, z, t)
	return Float64(Float64(1.0 / 3.0) * acos(Float64(Float64(Float64(3.0 * Float64(x / Float64(y * 27.0))) / Float64(z * 2.0)) * sqrt(t))))
end

MATLAB

function tmp = code(x, y, z, t)
	tmp = (1.0 / 3.0) * acos((((3.0 * (x / (y * 27.0))) / (z * 2.0)) * sqrt(t)));
end

Wolfram

code[x_, y_, z_, t_] := N[(N[(1.0 / 3.0), $MachinePrecision] * N[ArcCos[N[(N[(N[(3.0 * N[(x / N[(y * 27.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] / N[(z * 2.0), $MachinePrecision]), $MachinePrecision] * N[Sqrt[t], $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]

Alternative 1: 99.6% accurate, 0.5× speedup

Math

\[\begin{array}{l} [y, z] = \mathsf{sort}([y, z])\\ \\ e^{0.3333333333333333 \cdot \left(3 \cdot \log \left(0.3333333333333333 \cdot \cos^{-1} \left(0.05555555555555555 \cdot \frac{\sqrt{t}}{z \cdot \frac{y}{x}}\right)\right)\right)} \end{array} \]

FPCore

NOTE: y and z should be sorted in increasing order before calling this function.
(FPCore (x y z t)
 :precision binary64
 (exp
  (*
   0.3333333333333333
   (*
    3.0
    (log
     (*
      0.3333333333333333
      (acos (* 0.05555555555555555 (/ (sqrt t) (* z (/ y x)))))))))))

C

assert(y < z);
double code(double x, double y, double z, double t) {
	return exp((0.3333333333333333 * (3.0 * log((0.3333333333333333 * acos((0.05555555555555555 * (sqrt(t) / (z * (y / x))))))))));
}

Fortran

NOTE: y and z should be sorted in increasing order before calling this function.
real(8) function code(x, y, z, t)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    code = exp((0.3333333333333333d0 * (3.0d0 * log((0.3333333333333333d0 * acos((0.05555555555555555d0 * (sqrt(t) / (z * (y / x))))))))))
end function

Java

assert y < z;
public static double code(double x, double y, double z, double t) {
	return Math.exp((0.3333333333333333 * (3.0 * Math.log((0.3333333333333333 * Math.acos((0.05555555555555555 * (Math.sqrt(t) / (z * (y / x))))))))));
}

Python

[y, z] = sort([y, z])
def code(x, y, z, t):
	return math.exp((0.3333333333333333 * (3.0 * math.log((0.3333333333333333 * math.acos((0.05555555555555555 * (math.sqrt(t) / (z * (y / x))))))))))

Julia

y, z = sort([y, z])
function code(x, y, z, t)
	return exp(Float64(0.3333333333333333 * Float64(3.0 * log(Float64(0.3333333333333333 * acos(Float64(0.05555555555555555 * Float64(sqrt(t) / Float64(z * Float64(y / x))))))))))
end

MATLAB

y, z = num2cell(sort([y, z])){:}
function tmp = code(x, y, z, t)
	tmp = exp((0.3333333333333333 * (3.0 * log((0.3333333333333333 * acos((0.05555555555555555 * (sqrt(t) / (z * (y / x))))))))));
end

Wolfram

NOTE: y and z should be sorted in increasing order before calling this function.
code[x_, y_, z_, t_] := N[Exp[N[(0.3333333333333333 * N[(3.0 * N[Log[N[(0.3333333333333333 * N[ArcCos[N[(0.05555555555555555 * N[(N[Sqrt[t], $MachinePrecision] / N[(z * N[(y / x), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]

Derivation

1. Initial program 97.7%

   \[\frac{1}{3} \cdot \cos^{-1} \left(\frac{3 \cdot \frac{x}{y \cdot 27}}{z \cdot 2} \cdot \sqrt{t}\right) \]
2. Step-by-step derivation

   1. metadata-eval 97.7%

      \[\leadsto \color{blue}{0.3333333333333333} \cdot \cos^{-1} \left(\frac{3 \cdot \frac{x}{y \cdot 27}}{z \cdot 2} \cdot \sqrt{t}\right) \]

   2. associate-*r/ 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{\color{blue}{\frac{3 \cdot x}{y \cdot 27}}}{z \cdot 2} \cdot \sqrt{t}\right) \]

   3. *-commutative 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{\frac{3 \cdot x}{\color{blue}{27 \cdot y}}}{z \cdot 2} \cdot \sqrt{t}\right) \]

   4. times-frac 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{\color{blue}{\frac{3}{27} \cdot \frac{x}{y}}}{z \cdot 2} \cdot \sqrt{t}\right) \]

   5. *-commutative 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{\frac{3}{27} \cdot \frac{x}{y}}{\color{blue}{2 \cdot z}} \cdot \sqrt{t}\right) \]

   6. times-frac 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\color{blue}{\left(\frac{\frac{3}{27}}{2} \cdot \frac{\frac{x}{y}}{z}\right)} \cdot \sqrt{t}\right) \]

   7. metadata-eval 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\left(\frac{\color{blue}{0.1111111111111111}}{2} \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right) \]

   8. metadata-eval 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\left(\color{blue}{0.05555555555555555} \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right) \]

3. Simplified 97.7%

   \[\leadsto \color{blue}{0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)} \]
4. Step-by-step derivation

   1. add-cbrt-cube 97.7%

      \[\leadsto \color{blue}{\sqrt[3]{\left(\left(0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)\right) \cdot \left(0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)\right)\right) \cdot \left(0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)\right)}} \]

   2. pow1/3 97.7%

      \[\leadsto \color{blue}{{\left(\left(\left(0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)\right) \cdot \left(0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)\right)\right) \cdot \left(0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)\right)\right)}^{0.3333333333333333}} \]

   3. add-exp-log 97.7%

      \[\leadsto {\color{blue}{\left(e^{\log \left(\left(\left(0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)\right) \cdot \left(0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)\right)\right) \cdot \left(0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)\right)\right)}\right)}}^{0.3333333333333333} \]

   4. pow-exp 97.7%

      \[\leadsto \color{blue}{e^{\log \left(\left(\left(0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)\right) \cdot \left(0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)\right)\right) \cdot \left(0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)\right)\right) \cdot 0.3333333333333333}} \]

5. Applied egg-rr 99.2%

   \[\leadsto \color{blue}{e^{\left(3 \cdot \log \left(0.3333333333333333 \cdot \cos^{-1} \left(0.05555555555555555 \cdot \frac{\sqrt{t}}{z \cdot \frac{y}{x}}\right)\right)\right) \cdot 0.3333333333333333}} \]

6. Final simplification 99.2%

   \[\leadsto e^{0.3333333333333333 \cdot \left(3 \cdot \log \left(0.3333333333333333 \cdot \cos^{-1} \left(0.05555555555555555 \cdot \frac{\sqrt{t}}{z \cdot \frac{y}{x}}\right)\right)\right)} \]

Alternative 2: 98.1% accurate, 0.5× speedup

Math

\[\begin{array}{l} [y, z] = \mathsf{sort}([y, z])\\ \\ \log \left(1 + \mathsf{expm1}\left(0.3333333333333333 \cdot \cos^{-1} \left(0.05555555555555555 \cdot \frac{\sqrt{t}}{z \cdot \frac{y}{x}}\right)\right)\right) \end{array} \]

FPCore

NOTE: y and z should be sorted in increasing order before calling this function.
(FPCore (x y z t)
 :precision binary64
 (log
  (+
   1.0
   (expm1
    (*
     0.3333333333333333
     (acos (* 0.05555555555555555 (/ (sqrt t) (* z (/ y x))))))))))

C

assert(y < z);
double code(double x, double y, double z, double t) {
	return log((1.0 + expm1((0.3333333333333333 * acos((0.05555555555555555 * (sqrt(t) / (z * (y / x)))))))));
}

Java

assert y < z;
public static double code(double x, double y, double z, double t) {
	return Math.log((1.0 + Math.expm1((0.3333333333333333 * Math.acos((0.05555555555555555 * (Math.sqrt(t) / (z * (y / x)))))))));
}

Python

[y, z] = sort([y, z])
def code(x, y, z, t):
	return math.log((1.0 + math.expm1((0.3333333333333333 * math.acos((0.05555555555555555 * (math.sqrt(t) / (z * (y / x)))))))))

Julia

y, z = sort([y, z])
function code(x, y, z, t)
	return log(Float64(1.0 + expm1(Float64(0.3333333333333333 * acos(Float64(0.05555555555555555 * Float64(sqrt(t) / Float64(z * Float64(y / x)))))))))
end

Wolfram

NOTE: y and z should be sorted in increasing order before calling this function.
code[x_, y_, z_, t_] := N[Log[N[(1.0 + N[(Exp[N[(0.3333333333333333 * N[ArcCos[N[(0.05555555555555555 * N[(N[Sqrt[t], $MachinePrecision] / N[(z * N[(y / x), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]] - 1), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]

Derivation

1. Initial program 97.7%

   \[\frac{1}{3} \cdot \cos^{-1} \left(\frac{3 \cdot \frac{x}{y \cdot 27}}{z \cdot 2} \cdot \sqrt{t}\right) \]
2. Step-by-step derivation

   1. metadata-eval 97.7%

      \[\leadsto \color{blue}{0.3333333333333333} \cdot \cos^{-1} \left(\frac{3 \cdot \frac{x}{y \cdot 27}}{z \cdot 2} \cdot \sqrt{t}\right) \]

   2. associate-*r/ 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{\color{blue}{\frac{3 \cdot x}{y \cdot 27}}}{z \cdot 2} \cdot \sqrt{t}\right) \]

   3. *-commutative 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{\frac{3 \cdot x}{\color{blue}{27 \cdot y}}}{z \cdot 2} \cdot \sqrt{t}\right) \]

   4. times-frac 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{\color{blue}{\frac{3}{27} \cdot \frac{x}{y}}}{z \cdot 2} \cdot \sqrt{t}\right) \]

   5. *-commutative 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{\frac{3}{27} \cdot \frac{x}{y}}{\color{blue}{2 \cdot z}} \cdot \sqrt{t}\right) \]

   6. times-frac 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\color{blue}{\left(\frac{\frac{3}{27}}{2} \cdot \frac{\frac{x}{y}}{z}\right)} \cdot \sqrt{t}\right) \]

   7. metadata-eval 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\left(\frac{\color{blue}{0.1111111111111111}}{2} \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right) \]

   8. metadata-eval 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\left(\color{blue}{0.05555555555555555} \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right) \]

3. Simplified 97.7%

   \[\leadsto \color{blue}{0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)} \]
4. Step-by-step derivation

   1. log1p-expm1-u 97.7%

      \[\leadsto \color{blue}{\mathsf{log1p}\left(\mathsf{expm1}\left(0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)\right)\right)} \]

   2. log1p-udef 97.7%

      \[\leadsto \color{blue}{\log \left(1 + \mathsf{expm1}\left(0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)\right)\right)} \]

   3. associate-*l* 97.7%

      \[\leadsto \log \left(1 + \mathsf{expm1}\left(0.3333333333333333 \cdot \cos^{-1} \color{blue}{\left(0.05555555555555555 \cdot \left(\frac{\frac{x}{y}}{z} \cdot \sqrt{t}\right)\right)}\right)\right) \]

   4. clear-num 97.7%

      \[\leadsto \log \left(1 + \mathsf{expm1}\left(0.3333333333333333 \cdot \cos^{-1} \left(0.05555555555555555 \cdot \left(\color{blue}{\frac{1}{\frac{z}{\frac{x}{y}}}} \cdot \sqrt{t}\right)\right)\right)\right) \]

   5. associate-*l/ 97.7%

      \[\leadsto \log \left(1 + \mathsf{expm1}\left(0.3333333333333333 \cdot \cos^{-1} \left(0.05555555555555555 \cdot \color{blue}{\frac{1 \cdot \sqrt{t}}{\frac{z}{\frac{x}{y}}}}\right)\right)\right) \]

   6. *-un-lft-identity 97.7%

      \[\leadsto \log \left(1 + \mathsf{expm1}\left(0.3333333333333333 \cdot \cos^{-1} \left(0.05555555555555555 \cdot \frac{\color{blue}{\sqrt{t}}}{\frac{z}{\frac{x}{y}}}\right)\right)\right) \]

   7. div-inv 97.7%

      \[\leadsto \log \left(1 + \mathsf{expm1}\left(0.3333333333333333 \cdot \cos^{-1} \left(0.05555555555555555 \cdot \frac{\sqrt{t}}{\color{blue}{z \cdot \frac{1}{\frac{x}{y}}}}\right)\right)\right) \]

   8. clear-num 97.7%

      \[\leadsto \log \left(1 + \mathsf{expm1}\left(0.3333333333333333 \cdot \cos^{-1} \left(0.05555555555555555 \cdot \frac{\sqrt{t}}{z \cdot \color{blue}{\frac{y}{x}}}\right)\right)\right) \]

5. Applied egg-rr 97.7%

   \[\leadsto \color{blue}{\log \left(1 + \mathsf{expm1}\left(0.3333333333333333 \cdot \cos^{-1} \left(0.05555555555555555 \cdot \frac{\sqrt{t}}{z \cdot \frac{y}{x}}\right)\right)\right)} \]

6. Final simplification 97.7%

   \[\leadsto \log \left(1 + \mathsf{expm1}\left(0.3333333333333333 \cdot \cos^{-1} \left(0.05555555555555555 \cdot \frac{\sqrt{t}}{z \cdot \frac{y}{x}}\right)\right)\right) \]

Alternative 3: 99.6% accurate, 0.5× speedup

Math

\[\begin{array}{l} [y, z] = \mathsf{sort}([y, z])\\ \\ e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(0.05555555555555555 \cdot \frac{\sqrt{t}}{z \cdot \frac{y}{x}}\right)\right)} + -1 \end{array} \]

FPCore

NOTE: y and z should be sorted in increasing order before calling this function.
(FPCore (x y z t)
 :precision binary64
 (+
  (exp
   (log1p
    (*
     0.3333333333333333
     (acos (* 0.05555555555555555 (/ (sqrt t) (* z (/ y x))))))))
  -1.0))

C

assert(y < z);
double code(double x, double y, double z, double t) {
	return exp(log1p((0.3333333333333333 * acos((0.05555555555555555 * (sqrt(t) / (z * (y / x)))))))) + -1.0;
}

Java

assert y < z;
public static double code(double x, double y, double z, double t) {
	return Math.exp(Math.log1p((0.3333333333333333 * Math.acos((0.05555555555555555 * (Math.sqrt(t) / (z * (y / x)))))))) + -1.0;
}

Python

[y, z] = sort([y, z])
def code(x, y, z, t):
	return math.exp(math.log1p((0.3333333333333333 * math.acos((0.05555555555555555 * (math.sqrt(t) / (z * (y / x)))))))) + -1.0

Julia

y, z = sort([y, z])
function code(x, y, z, t)
	return Float64(exp(log1p(Float64(0.3333333333333333 * acos(Float64(0.05555555555555555 * Float64(sqrt(t) / Float64(z * Float64(y / x)))))))) + -1.0)
end

Wolfram

NOTE: y and z should be sorted in increasing order before calling this function.
code[x_, y_, z_, t_] := N[(N[Exp[N[Log[1 + N[(0.3333333333333333 * N[ArcCos[N[(0.05555555555555555 * N[(N[Sqrt[t], $MachinePrecision] / N[(z * N[(y / x), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]], $MachinePrecision]], $MachinePrecision] + -1.0), $MachinePrecision]

Derivation

1. Initial program 97.7%

   \[\frac{1}{3} \cdot \cos^{-1} \left(\frac{3 \cdot \frac{x}{y \cdot 27}}{z \cdot 2} \cdot \sqrt{t}\right) \]
2. Step-by-step derivation

   1. metadata-eval 97.7%

      \[\leadsto \color{blue}{0.3333333333333333} \cdot \cos^{-1} \left(\frac{3 \cdot \frac{x}{y \cdot 27}}{z \cdot 2} \cdot \sqrt{t}\right) \]

   2. associate-*r/ 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{\color{blue}{\frac{3 \cdot x}{y \cdot 27}}}{z \cdot 2} \cdot \sqrt{t}\right) \]

   3. *-commutative 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{\frac{3 \cdot x}{\color{blue}{27 \cdot y}}}{z \cdot 2} \cdot \sqrt{t}\right) \]

   4. times-frac 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{\color{blue}{\frac{3}{27} \cdot \frac{x}{y}}}{z \cdot 2} \cdot \sqrt{t}\right) \]

   5. *-commutative 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{\frac{3}{27} \cdot \frac{x}{y}}{\color{blue}{2 \cdot z}} \cdot \sqrt{t}\right) \]

   6. times-frac 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\color{blue}{\left(\frac{\frac{3}{27}}{2} \cdot \frac{\frac{x}{y}}{z}\right)} \cdot \sqrt{t}\right) \]

   7. metadata-eval 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\left(\frac{\color{blue}{0.1111111111111111}}{2} \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right) \]

   8. metadata-eval 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\left(\color{blue}{0.05555555555555555} \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right) \]

3. Simplified 97.7%

   \[\leadsto \color{blue}{0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)} \]
4. Step-by-step derivation

   1. expm1-log1p-u 97.7%

      \[\leadsto \color{blue}{\mathsf{expm1}\left(\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)\right)\right)} \]

   2. expm1-udef 99.2%

      \[\leadsto \color{blue}{e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)\right)} - 1} \]

   3. associate-*l* 99.2%

      \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \color{blue}{\left(0.05555555555555555 \cdot \left(\frac{\frac{x}{y}}{z} \cdot \sqrt{t}\right)\right)}\right)} - 1 \]

   4. clear-num 99.2%

      \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(0.05555555555555555 \cdot \left(\color{blue}{\frac{1}{\frac{z}{\frac{x}{y}}}} \cdot \sqrt{t}\right)\right)\right)} - 1 \]

   5. associate-*l/ 99.2%

      \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(0.05555555555555555 \cdot \color{blue}{\frac{1 \cdot \sqrt{t}}{\frac{z}{\frac{x}{y}}}}\right)\right)} - 1 \]

   6. *-un-lft-identity 99.2%

      \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(0.05555555555555555 \cdot \frac{\color{blue}{\sqrt{t}}}{\frac{z}{\frac{x}{y}}}\right)\right)} - 1 \]

   7. div-inv 99.2%

      \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(0.05555555555555555 \cdot \frac{\sqrt{t}}{\color{blue}{z \cdot \frac{1}{\frac{x}{y}}}}\right)\right)} - 1 \]

   8. clear-num 99.2%

      \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(0.05555555555555555 \cdot \frac{\sqrt{t}}{z \cdot \color{blue}{\frac{y}{x}}}\right)\right)} - 1 \]

5. Applied egg-rr 99.2%

   \[\leadsto \color{blue}{e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(0.05555555555555555 \cdot \frac{\sqrt{t}}{z \cdot \frac{y}{x}}\right)\right)} - 1} \]

6. Final simplification 99.2%

   \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(0.05555555555555555 \cdot \frac{\sqrt{t}}{z \cdot \frac{y}{x}}\right)\right)} + -1 \]

Alternative 4: 98.0% accurate, 1.0× speedup

Math

\[\begin{array}{l} [y, z] = \mathsf{sort}([y, z])\\ \\ 0.3333333333333333 \cdot \cos^{-1} \left(\sqrt{t} \cdot \left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right)\right) \end{array} \]

FPCore

NOTE: y and z should be sorted in increasing order before calling this function.
(FPCore (x y z t)
 :precision binary64
 (*
  0.3333333333333333
  (acos (* (sqrt t) (* 0.05555555555555555 (/ (/ x y) z))))))

C

assert(y < z);
double code(double x, double y, double z, double t) {
	return 0.3333333333333333 * acos((sqrt(t) * (0.05555555555555555 * ((x / y) / z))));
}

Fortran

NOTE: y and z should be sorted in increasing order before calling this function.
real(8) function code(x, y, z, t)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    code = 0.3333333333333333d0 * acos((sqrt(t) * (0.05555555555555555d0 * ((x / y) / z))))
end function

Java

assert y < z;
public static double code(double x, double y, double z, double t) {
	return 0.3333333333333333 * Math.acos((Math.sqrt(t) * (0.05555555555555555 * ((x / y) / z))));
}

Python

[y, z] = sort([y, z])
def code(x, y, z, t):
	return 0.3333333333333333 * math.acos((math.sqrt(t) * (0.05555555555555555 * ((x / y) / z))))

Julia

y, z = sort([y, z])
function code(x, y, z, t)
	return Float64(0.3333333333333333 * acos(Float64(sqrt(t) * Float64(0.05555555555555555 * Float64(Float64(x / y) / z)))))
end

MATLAB

y, z = num2cell(sort([y, z])){:}
function tmp = code(x, y, z, t)
	tmp = 0.3333333333333333 * acos((sqrt(t) * (0.05555555555555555 * ((x / y) / z))));
end

Wolfram

NOTE: y and z should be sorted in increasing order before calling this function.
code[x_, y_, z_, t_] := N[(0.3333333333333333 * N[ArcCos[N[(N[Sqrt[t], $MachinePrecision] * N[(0.05555555555555555 * N[(N[(x / y), $MachinePrecision] / z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 97.7%

   \[\frac{1}{3} \cdot \cos^{-1} \left(\frac{3 \cdot \frac{x}{y \cdot 27}}{z \cdot 2} \cdot \sqrt{t}\right) \]
2. Step-by-step derivation

   1. metadata-eval 97.7%

      \[\leadsto \color{blue}{0.3333333333333333} \cdot \cos^{-1} \left(\frac{3 \cdot \frac{x}{y \cdot 27}}{z \cdot 2} \cdot \sqrt{t}\right) \]

   2. associate-*r/ 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{\color{blue}{\frac{3 \cdot x}{y \cdot 27}}}{z \cdot 2} \cdot \sqrt{t}\right) \]

   3. *-commutative 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{\frac{3 \cdot x}{\color{blue}{27 \cdot y}}}{z \cdot 2} \cdot \sqrt{t}\right) \]

   4. times-frac 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{\color{blue}{\frac{3}{27} \cdot \frac{x}{y}}}{z \cdot 2} \cdot \sqrt{t}\right) \]

   5. *-commutative 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{\frac{3}{27} \cdot \frac{x}{y}}{\color{blue}{2 \cdot z}} \cdot \sqrt{t}\right) \]

   6. times-frac 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\color{blue}{\left(\frac{\frac{3}{27}}{2} \cdot \frac{\frac{x}{y}}{z}\right)} \cdot \sqrt{t}\right) \]

   7. metadata-eval 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\left(\frac{\color{blue}{0.1111111111111111}}{2} \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right) \]

   8. metadata-eval 97.7%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\left(\color{blue}{0.05555555555555555} \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right) \]

3. Simplified 97.7%

   \[\leadsto \color{blue}{0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)} \]

4. Final simplification 97.7%

   \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\sqrt{t} \cdot \left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right)\right) \]

Developer target: 98.1% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \frac{\cos^{-1} \left(\frac{\frac{x}{27}}{y \cdot z} \cdot \frac{\sqrt{t}}{\frac{2}{3}}\right)}{3} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (/ (acos (* (/ (/ x 27.0) (* y z)) (/ (sqrt t) (/ 2.0 3.0)))) 3.0))

C

double code(double x, double y, double z, double t) {
	return acos((((x / 27.0) / (y * z)) * (sqrt(t) / (2.0 / 3.0)))) / 3.0;
}

Fortran

real(8) function code(x, y, z, t)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    code = acos((((x / 27.0d0) / (y * z)) * (sqrt(t) / (2.0d0 / 3.0d0)))) / 3.0d0
end function

Java

public static double code(double x, double y, double z, double t) {
	return Math.acos((((x / 27.0) / (y * z)) * (Math.sqrt(t) / (2.0 / 3.0)))) / 3.0;
}

Python

def code(x, y, z, t):
	return math.acos((((x / 27.0) / (y * z)) * (math.sqrt(t) / (2.0 / 3.0)))) / 3.0

Julia

function code(x, y, z, t)
	return Float64(acos(Float64(Float64(Float64(x / 27.0) / Float64(y * z)) * Float64(sqrt(t) / Float64(2.0 / 3.0)))) / 3.0)
end

MATLAB

function tmp = code(x, y, z, t)
	tmp = acos((((x / 27.0) / (y * z)) * (sqrt(t) / (2.0 / 3.0)))) / 3.0;
end

Wolfram

code[x_, y_, z_, t_] := N[(N[ArcCos[N[(N[(N[(x / 27.0), $MachinePrecision] / N[(y * z), $MachinePrecision]), $MachinePrecision] * N[(N[Sqrt[t], $MachinePrecision] / N[(2.0 / 3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision] / 3.0), $MachinePrecision]

Reproduce

herbie shell --seed 2023196 
(FPCore (x y z t)
  :name "Diagrams.Solve.Polynomial:cubForm  from diagrams-solve-0.1, D"
  :precision binary64

  :herbie-target
  (/ (acos (* (/ (/ x 27.0) (* y z)) (/ (sqrt t) (/ 2.0 3.0)))) 3.0)

  (* (/ 1.0 3.0) (acos (* (/ (* 3.0 (/ x (* y 27.0))) (* z 2.0)) (sqrt t)))))