2-ancestry mixing, negative discriminant

Percentage Accurate: 98.5% → 98.5%

Time: 6.8s

Alternatives: 3

Speedup: 1.0×

Specification

Math

\[\begin{array}{l} \\ 2 \cdot \cos \left(\frac{2 \cdot \pi}{3} + \frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3}\right) \end{array} \]

FPCore

(FPCore (g h)
 :precision binary64
 (* 2.0 (cos (+ (/ (* 2.0 PI) 3.0) (/ (acos (/ (- g) h)) 3.0)))))

C

double code(double g, double h) {
	return 2.0 * cos((((2.0 * ((double) M_PI)) / 3.0) + (acos((-g / h)) / 3.0)));
}

Java

public static double code(double g, double h) {
	return 2.0 * Math.cos((((2.0 * Math.PI) / 3.0) + (Math.acos((-g / h)) / 3.0)));
}

Python

def code(g, h):
	return 2.0 * math.cos((((2.0 * math.pi) / 3.0) + (math.acos((-g / h)) / 3.0)))

Julia

function code(g, h)
	return Float64(2.0 * cos(Float64(Float64(Float64(2.0 * pi) / 3.0) + Float64(acos(Float64(Float64(-g) / h)) / 3.0))))
end

MATLAB

function tmp = code(g, h)
	tmp = 2.0 * cos((((2.0 * pi) / 3.0) + (acos((-g / h)) / 3.0)));
end

Wolfram

code[g_, h_] := N[(2.0 * N[Cos[N[(N[(N[(2.0 * Pi), $MachinePrecision] / 3.0), $MachinePrecision] + N[(N[ArcCos[N[((-g) / h), $MachinePrecision]], $MachinePrecision] / 3.0), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]

Initial Program: 98.5% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ 2 \cdot \cos \left(\frac{2 \cdot \pi}{3} + \frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3}\right) \end{array} \]

FPCore

(FPCore (g h)
 :precision binary64
 (* 2.0 (cos (+ (/ (* 2.0 PI) 3.0) (/ (acos (/ (- g) h)) 3.0)))))

C

double code(double g, double h) {
	return 2.0 * cos((((2.0 * ((double) M_PI)) / 3.0) + (acos((-g / h)) / 3.0)));
}

Java

public static double code(double g, double h) {
	return 2.0 * Math.cos((((2.0 * Math.PI) / 3.0) + (Math.acos((-g / h)) / 3.0)));
}

Python

def code(g, h):
	return 2.0 * math.cos((((2.0 * math.pi) / 3.0) + (math.acos((-g / h)) / 3.0)))

Julia

function code(g, h)
	return Float64(2.0 * cos(Float64(Float64(Float64(2.0 * pi) / 3.0) + Float64(acos(Float64(Float64(-g) / h)) / 3.0))))
end

MATLAB

function tmp = code(g, h)
	tmp = 2.0 * cos((((2.0 * pi) / 3.0) + (acos((-g / h)) / 3.0)));
end

Wolfram

code[g_, h_] := N[(2.0 * N[Cos[N[(N[(N[(2.0 * Pi), $MachinePrecision] / 3.0), $MachinePrecision] + N[(N[ArcCos[N[((-g) / h), $MachinePrecision]], $MachinePrecision] / 3.0), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]

Alternative 1: 98.5% accurate, 0.8× speedup

Math

\[\begin{array}{l} \\ 2 \cdot \cos \left(\mathsf{fma}\left(\pi, 0.6666666666666666, \frac{\cos^{-1} \left(-\frac{g}{h}\right)}{3}\right)\right) \end{array} \]

FPCore

(FPCore (g h)
 :precision binary64
 (* 2.0 (cos (fma PI 0.6666666666666666 (/ (acos (- (/ g h))) 3.0)))))

C

double code(double g, double h) {
	return 2.0 * cos(fma(((double) M_PI), 0.6666666666666666, (acos(-(g / h)) / 3.0)));
}

Julia

function code(g, h)
	return Float64(2.0 * cos(fma(pi, 0.6666666666666666, Float64(acos(Float64(-Float64(g / h))) / 3.0))))
end

Wolfram

code[g_, h_] := N[(2.0 * N[Cos[N[(Pi * 0.6666666666666666 + N[(N[ArcCos[(-N[(g / h), $MachinePrecision])], $MachinePrecision] / 3.0), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 98.4%

   \[2 \cdot \cos \left(\frac{2 \cdot \pi}{3} + \frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3}\right) \]
2. Step-by-step derivation

   1. associate-/l* 98.4%

      \[\leadsto 2 \cdot \cos \left(\color{blue}{\frac{2}{\frac{3}{\pi}}} + \frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3}\right) \]

   2. associate-/r/ 98.4%

      \[\leadsto 2 \cdot \cos \left(\color{blue}{\frac{2}{3} \cdot \pi} + \frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3}\right) \]

   3. *-commutative 98.4%

      \[\leadsto 2 \cdot \cos \left(\color{blue}{\pi \cdot \frac{2}{3}} + \frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3}\right) \]

   4. fma-def 98.4%

      \[\leadsto 2 \cdot \cos \color{blue}{\left(\mathsf{fma}\left(\pi, \frac{2}{3}, \frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3}\right)\right)} \]

   5. metadata-eval 98.4%

      \[\leadsto 2 \cdot \cos \left(\mathsf{fma}\left(\pi, \color{blue}{0.6666666666666666}, \frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3}\right)\right) \]

3. Simplified 98.4%

   \[\leadsto \color{blue}{2 \cdot \cos \left(\mathsf{fma}\left(\pi, 0.6666666666666666, \frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3}\right)\right)} \]

4. Final simplification 98.4%

   \[\leadsto 2 \cdot \cos \left(\mathsf{fma}\left(\pi, 0.6666666666666666, \frac{\cos^{-1} \left(-\frac{g}{h}\right)}{3}\right)\right) \]

Alternative 2: 98.5% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ 2 \cdot \cos \left(\frac{\cos^{-1} \left(-\frac{g}{h}\right)}{3} + \pi \cdot 0.6666666666666666\right) \end{array} \]

FPCore

(FPCore (g h)
 :precision binary64
 (* 2.0 (cos (+ (/ (acos (- (/ g h))) 3.0) (* PI 0.6666666666666666)))))

C

double code(double g, double h) {
	return 2.0 * cos(((acos(-(g / h)) / 3.0) + (((double) M_PI) * 0.6666666666666666)));
}

Java

public static double code(double g, double h) {
	return 2.0 * Math.cos(((Math.acos(-(g / h)) / 3.0) + (Math.PI * 0.6666666666666666)));
}

Python

def code(g, h):
	return 2.0 * math.cos(((math.acos(-(g / h)) / 3.0) + (math.pi * 0.6666666666666666)))

Julia

function code(g, h)
	return Float64(2.0 * cos(Float64(Float64(acos(Float64(-Float64(g / h))) / 3.0) + Float64(pi * 0.6666666666666666))))
end

MATLAB

function tmp = code(g, h)
	tmp = 2.0 * cos(((acos(-(g / h)) / 3.0) + (pi * 0.6666666666666666)));
end

Wolfram

code[g_, h_] := N[(2.0 * N[Cos[N[(N[(N[ArcCos[(-N[(g / h), $MachinePrecision])], $MachinePrecision] / 3.0), $MachinePrecision] + N[(Pi * 0.6666666666666666), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 98.4%

   \[2 \cdot \cos \left(\frac{2 \cdot \pi}{3} + \frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3}\right) \]
2. Step-by-step derivation

   1. associate-/l* 98.4%

      \[\leadsto 2 \cdot \cos \left(\color{blue}{\frac{2}{\frac{3}{\pi}}} + \frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3}\right) \]

   2. associate-/r/ 98.4%

      \[\leadsto 2 \cdot \cos \left(\color{blue}{\frac{2}{3} \cdot \pi} + \frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3}\right) \]

   3. metadata-eval 98.4%

      \[\leadsto 2 \cdot \cos \left(\color{blue}{0.6666666666666666} \cdot \pi + \frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3}\right) \]

3. Simplified 98.4%

   \[\leadsto \color{blue}{2 \cdot \cos \left(0.6666666666666666 \cdot \pi + \frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3}\right)} \]

4. Final simplification 98.4%

   \[\leadsto 2 \cdot \cos \left(\frac{\cos^{-1} \left(-\frac{g}{h}\right)}{3} + \pi \cdot 0.6666666666666666\right) \]

Alternative 3: 96.6% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ 2 \cdot \cos \left(\pi \cdot 0.6666666666666666 + \cos^{-1} \left(\frac{g}{h}\right) \cdot 0.3333333333333333\right) \end{array} \]

FPCore

(FPCore (g h)
 :precision binary64
 (*
  2.0
  (cos (+ (* PI 0.6666666666666666) (* (acos (/ g h)) 0.3333333333333333)))))

C

double code(double g, double h) {
	return 2.0 * cos(((((double) M_PI) * 0.6666666666666666) + (acos((g / h)) * 0.3333333333333333)));
}

Java

public static double code(double g, double h) {
	return 2.0 * Math.cos(((Math.PI * 0.6666666666666666) + (Math.acos((g / h)) * 0.3333333333333333)));
}

Python

def code(g, h):
	return 2.0 * math.cos(((math.pi * 0.6666666666666666) + (math.acos((g / h)) * 0.3333333333333333)))

Julia

function code(g, h)
	return Float64(2.0 * cos(Float64(Float64(pi * 0.6666666666666666) + Float64(acos(Float64(g / h)) * 0.3333333333333333))))
end

MATLAB

function tmp = code(g, h)
	tmp = 2.0 * cos(((pi * 0.6666666666666666) + (acos((g / h)) * 0.3333333333333333)));
end

Wolfram

code[g_, h_] := N[(2.0 * N[Cos[N[(N[(Pi * 0.6666666666666666), $MachinePrecision] + N[(N[ArcCos[N[(g / h), $MachinePrecision]], $MachinePrecision] * 0.3333333333333333), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 98.4%

   \[2 \cdot \cos \left(\frac{2 \cdot \pi}{3} + \frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3}\right) \]
2. Step-by-step derivation

   1. associate-/l* 98.4%

      \[\leadsto 2 \cdot \cos \left(\color{blue}{\frac{2}{\frac{3}{\pi}}} + \frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3}\right) \]

   2. associate-/r/ 98.4%

      \[\leadsto 2 \cdot \cos \left(\color{blue}{\frac{2}{3} \cdot \pi} + \frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3}\right) \]

   3. *-commutative 98.4%

      \[\leadsto 2 \cdot \cos \left(\color{blue}{\pi \cdot \frac{2}{3}} + \frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3}\right) \]

   4. fma-def 98.4%

      \[\leadsto 2 \cdot \cos \color{blue}{\left(\mathsf{fma}\left(\pi, \frac{2}{3}, \frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3}\right)\right)} \]

   5. metadata-eval 98.4%

      \[\leadsto 2 \cdot \cos \left(\mathsf{fma}\left(\pi, \color{blue}{0.6666666666666666}, \frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3}\right)\right) \]

3. Simplified 98.4%

   \[\leadsto \color{blue}{2 \cdot \cos \left(\mathsf{fma}\left(\pi, 0.6666666666666666, \frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3}\right)\right)} \]
4. Step-by-step derivation

   1. fma-udef 98.4%

      \[\leadsto 2 \cdot \cos \color{blue}{\left(\pi \cdot 0.6666666666666666 + \frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3}\right)} \]

   2. *-commutative 98.4%

      \[\leadsto 2 \cdot \cos \left(\color{blue}{0.6666666666666666 \cdot \pi} + \frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3}\right) \]

   3. +-commutative 98.4%

      \[\leadsto 2 \cdot \cos \color{blue}{\left(\frac{\cos^{-1} \left(\frac{-g}{h}\right)}{3} + 0.6666666666666666 \cdot \pi\right)} \]

   4. div-inv 98.4%

      \[\leadsto 2 \cdot \cos \left(\color{blue}{\cos^{-1} \left(\frac{-g}{h}\right) \cdot \frac{1}{3}} + 0.6666666666666666 \cdot \pi\right) \]

   5. add-sqr-sqrt 53.4%

      \[\leadsto 2 \cdot \cos \left(\cos^{-1} \left(\frac{\color{blue}{\sqrt{-g} \cdot \sqrt{-g}}}{h}\right) \cdot \frac{1}{3} + 0.6666666666666666 \cdot \pi\right) \]

   6. sqrt-unprod 91.9%

      \[\leadsto 2 \cdot \cos \left(\cos^{-1} \left(\frac{\color{blue}{\sqrt{\left(-g\right) \cdot \left(-g\right)}}}{h}\right) \cdot \frac{1}{3} + 0.6666666666666666 \cdot \pi\right) \]

   7. sqr-neg 91.9%

      \[\leadsto 2 \cdot \cos \left(\cos^{-1} \left(\frac{\sqrt{\color{blue}{g \cdot g}}}{h}\right) \cdot \frac{1}{3} + 0.6666666666666666 \cdot \pi\right) \]

   8. sqrt-unprod 44.3%

      \[\leadsto 2 \cdot \cos \left(\cos^{-1} \left(\frac{\color{blue}{\sqrt{g} \cdot \sqrt{g}}}{h}\right) \cdot \frac{1}{3} + 0.6666666666666666 \cdot \pi\right) \]

   9. add-sqr-sqrt 96.9%

      \[\leadsto 2 \cdot \cos \left(\cos^{-1} \left(\frac{\color{blue}{g}}{h}\right) \cdot \frac{1}{3} + 0.6666666666666666 \cdot \pi\right) \]

   10. metadata-eval 96.9%

       \[\leadsto 2 \cdot \cos \left(\cos^{-1} \left(\frac{g}{h}\right) \cdot \color{blue}{0.3333333333333333} + 0.6666666666666666 \cdot \pi\right) \]

5. Applied egg-rr 96.9%

   \[\leadsto 2 \cdot \cos \color{blue}{\left(\cos^{-1} \left(\frac{g}{h}\right) \cdot 0.3333333333333333 + 0.6666666666666666 \cdot \pi\right)} \]

6. Final simplification 96.9%

   \[\leadsto 2 \cdot \cos \left(\pi \cdot 0.6666666666666666 + \cos^{-1} \left(\frac{g}{h}\right) \cdot 0.3333333333333333\right) \]

Reproduce

herbie shell --seed 2023199 
(FPCore (g h)
  :name "2-ancestry mixing, negative discriminant"
  :precision binary64
  (* 2.0 (cos (+ (/ (* 2.0 PI) 3.0) (/ (acos (/ (- g) h)) 3.0)))))