ENA, Section 1.4, Exercise 4a

Percentage Accurate: 53.5% → 99.6%

Time: 18.5s

Alternatives: 6

Speedup: 41.0×

Specification

\[-1 \leq x \land x \leq 1\]

Math

\[\begin{array}{l} \\ \frac{x - \sin x}{\tan x} \end{array} \]

FPCore

(FPCore (x) :precision binary64 (/ (- x (sin x)) (tan x)))

C

double code(double x) {
	return (x - sin(x)) / tan(x);
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = (x - sin(x)) / tan(x)
end function

Java

public static double code(double x) {
	return (x - Math.sin(x)) / Math.tan(x);
}

Python

def code(x):
	return (x - math.sin(x)) / math.tan(x)

Julia

function code(x)
	return Float64(Float64(x - sin(x)) / tan(x))
end

MATLAB

function tmp = code(x)
	tmp = (x - sin(x)) / tan(x);
end

Wolfram

code[x_] := N[(N[(x - N[Sin[x], $MachinePrecision]), $MachinePrecision] / N[Tan[x], $MachinePrecision]), $MachinePrecision]

Initial Program: 53.5% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \frac{x - \sin x}{\tan x} \end{array} \]

FPCore

(FPCore (x) :precision binary64 (/ (- x (sin x)) (tan x)))

C

double code(double x) {
	return (x - sin(x)) / tan(x);
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = (x - sin(x)) / tan(x)
end function

Java

public static double code(double x) {
	return (x - Math.sin(x)) / Math.tan(x);
}

Python

def code(x):
	return (x - math.sin(x)) / math.tan(x)

Julia

function code(x)
	return Float64(Float64(x - sin(x)) / tan(x))
end

MATLAB

function tmp = code(x)
	tmp = (x - sin(x)) / tan(x);
end

Wolfram

code[x_] := N[(N[(x - N[Sin[x], $MachinePrecision]), $MachinePrecision] / N[Tan[x], $MachinePrecision]), $MachinePrecision]

Alternative 1: 99.6% accurate, 0.5× speedup

Math

\[\begin{array}{l} \\ 0.16666666666666666 \cdot {x}^{2} + \left(-0.00023644179894179894 \cdot {x}^{8} + \left(-0.0007275132275132275 \cdot {x}^{6} + -0.06388888888888888 \cdot {x}^{4}\right)\right) \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (+
  (* 0.16666666666666666 (pow x 2.0))
  (+
   (* -0.00023644179894179894 (pow x 8.0))
   (+
    (* -0.0007275132275132275 (pow x 6.0))
    (* -0.06388888888888888 (pow x 4.0))))))

C

double code(double x) {
	return (0.16666666666666666 * pow(x, 2.0)) + ((-0.00023644179894179894 * pow(x, 8.0)) + ((-0.0007275132275132275 * pow(x, 6.0)) + (-0.06388888888888888 * pow(x, 4.0))));
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = (0.16666666666666666d0 * (x ** 2.0d0)) + (((-0.00023644179894179894d0) * (x ** 8.0d0)) + (((-0.0007275132275132275d0) * (x ** 6.0d0)) + ((-0.06388888888888888d0) * (x ** 4.0d0))))
end function

Java

public static double code(double x) {
	return (0.16666666666666666 * Math.pow(x, 2.0)) + ((-0.00023644179894179894 * Math.pow(x, 8.0)) + ((-0.0007275132275132275 * Math.pow(x, 6.0)) + (-0.06388888888888888 * Math.pow(x, 4.0))));
}

Python

def code(x):
	return (0.16666666666666666 * math.pow(x, 2.0)) + ((-0.00023644179894179894 * math.pow(x, 8.0)) + ((-0.0007275132275132275 * math.pow(x, 6.0)) + (-0.06388888888888888 * math.pow(x, 4.0))))

Julia

function code(x)
	return Float64(Float64(0.16666666666666666 * (x ^ 2.0)) + Float64(Float64(-0.00023644179894179894 * (x ^ 8.0)) + Float64(Float64(-0.0007275132275132275 * (x ^ 6.0)) + Float64(-0.06388888888888888 * (x ^ 4.0)))))
end

MATLAB

function tmp = code(x)
	tmp = (0.16666666666666666 * (x ^ 2.0)) + ((-0.00023644179894179894 * (x ^ 8.0)) + ((-0.0007275132275132275 * (x ^ 6.0)) + (-0.06388888888888888 * (x ^ 4.0))));
end

Wolfram

code[x_] := N[(N[(0.16666666666666666 * N[Power[x, 2.0], $MachinePrecision]), $MachinePrecision] + N[(N[(-0.00023644179894179894 * N[Power[x, 8.0], $MachinePrecision]), $MachinePrecision] + N[(N[(-0.0007275132275132275 * N[Power[x, 6.0], $MachinePrecision]), $MachinePrecision] + N[(-0.06388888888888888 * N[Power[x, 4.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 53.2%

   \[\frac{x - \sin x}{\tan x} \]

2. Taylor expanded in x around 0 99.6%

   \[\leadsto \color{blue}{0.16666666666666666 \cdot {x}^{2} + \left(-0.00023644179894179894 \cdot {x}^{8} + \left(-0.0007275132275132275 \cdot {x}^{6} + -0.06388888888888888 \cdot {x}^{4}\right)\right)} \]

3. Final simplification 99.6%

   \[\leadsto 0.16666666666666666 \cdot {x}^{2} + \left(-0.00023644179894179894 \cdot {x}^{8} + \left(-0.0007275132275132275 \cdot {x}^{6} + -0.06388888888888888 \cdot {x}^{4}\right)\right) \]

Alternative 2: 99.5% accurate, 0.7× speedup

Math

\[\begin{array}{l} \\ x \cdot \left(0.16666666666666666 \cdot x\right) + \mathsf{fma}\left(-0.0007275132275132275, {x}^{6}, -0.06388888888888888 \cdot {x}^{4}\right) \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (+
  (* x (* 0.16666666666666666 x))
  (fma
   -0.0007275132275132275
   (pow x 6.0)
   (* -0.06388888888888888 (pow x 4.0)))))

C

double code(double x) {
	return (x * (0.16666666666666666 * x)) + fma(-0.0007275132275132275, pow(x, 6.0), (-0.06388888888888888 * pow(x, 4.0)));
}

Julia

function code(x)
	return Float64(Float64(x * Float64(0.16666666666666666 * x)) + fma(-0.0007275132275132275, (x ^ 6.0), Float64(-0.06388888888888888 * (x ^ 4.0))))
end

Wolfram

code[x_] := N[(N[(x * N[(0.16666666666666666 * x), $MachinePrecision]), $MachinePrecision] + N[(-0.0007275132275132275 * N[Power[x, 6.0], $MachinePrecision] + N[(-0.06388888888888888 * N[Power[x, 4.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 53.2%

   \[\frac{x - \sin x}{\tan x} \]
2. Step-by-step derivation

   1. clear-num 53.2%

      \[\leadsto \color{blue}{\frac{1}{\frac{\tan x}{x - \sin x}}} \]

   2. inv-pow 53.2%

      \[\leadsto \color{blue}{{\left(\frac{\tan x}{x - \sin x}\right)}^{-1}} \]

3. Applied egg-rr 53.2%

   \[\leadsto \color{blue}{{\left(\frac{\tan x}{x - \sin x}\right)}^{-1}} \]

4. Taylor expanded in x around 0 99.5%

   \[\leadsto \color{blue}{0.16666666666666666 \cdot {x}^{2} + \left(-0.0007275132275132275 \cdot {x}^{6} + -0.06388888888888888 \cdot {x}^{4}\right)} \]
5. Step-by-step derivation

   1. *-commutative 99.5%

      \[\leadsto \color{blue}{{x}^{2} \cdot 0.16666666666666666} + \left(-0.0007275132275132275 \cdot {x}^{6} + -0.06388888888888888 \cdot {x}^{4}\right) \]

   2. unpow2 99.5%

      \[\leadsto \color{blue}{\left(x \cdot x\right)} \cdot 0.16666666666666666 + \left(-0.0007275132275132275 \cdot {x}^{6} + -0.06388888888888888 \cdot {x}^{4}\right) \]

   3. associate-*r* 99.5%

      \[\leadsto \color{blue}{x \cdot \left(x \cdot 0.16666666666666666\right)} + \left(-0.0007275132275132275 \cdot {x}^{6} + -0.06388888888888888 \cdot {x}^{4}\right) \]

   4. fma-def 99.5%

      \[\leadsto x \cdot \left(x \cdot 0.16666666666666666\right) + \color{blue}{\mathsf{fma}\left(-0.0007275132275132275, {x}^{6}, -0.06388888888888888 \cdot {x}^{4}\right)} \]

   5. fma-def 99.5%

      \[\leadsto \color{blue}{\mathsf{fma}\left(x, x \cdot 0.16666666666666666, \mathsf{fma}\left(-0.0007275132275132275, {x}^{6}, -0.06388888888888888 \cdot {x}^{4}\right)\right)} \]

6. Simplified 99.5%

   \[\leadsto \color{blue}{\mathsf{fma}\left(x, x \cdot 0.16666666666666666, \mathsf{fma}\left(-0.0007275132275132275, {x}^{6}, -0.06388888888888888 \cdot {x}^{4}\right)\right)} \]
7. Step-by-step derivation

   1. fma-udef 99.5%

      \[\leadsto \color{blue}{x \cdot \left(x \cdot 0.16666666666666666\right) + \mathsf{fma}\left(-0.0007275132275132275, {x}^{6}, -0.06388888888888888 \cdot {x}^{4}\right)} \]

8. Applied egg-rr 99.5%

   \[\leadsto \color{blue}{x \cdot \left(x \cdot 0.16666666666666666\right) + \mathsf{fma}\left(-0.0007275132275132275, {x}^{6}, -0.06388888888888888 \cdot {x}^{4}\right)} \]

9. Final simplification 99.5%

   \[\leadsto x \cdot \left(0.16666666666666666 \cdot x\right) + \mathsf{fma}\left(-0.0007275132275132275, {x}^{6}, -0.06388888888888888 \cdot {x}^{4}\right) \]

Alternative 3: 99.3% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \mathsf{fma}\left(0.16666666666666666, x \cdot x, -0.06388888888888888 \cdot {x}^{4}\right) \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (fma 0.16666666666666666 (* x x) (* -0.06388888888888888 (pow x 4.0))))

C

double code(double x) {
	return fma(0.16666666666666666, (x * x), (-0.06388888888888888 * pow(x, 4.0)));
}

Julia

function code(x)
	return fma(0.16666666666666666, Float64(x * x), Float64(-0.06388888888888888 * (x ^ 4.0)))
end

Wolfram

code[x_] := N[(0.16666666666666666 * N[(x * x), $MachinePrecision] + N[(-0.06388888888888888 * N[Power[x, 4.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 53.2%

   \[\frac{x - \sin x}{\tan x} \]

2. Taylor expanded in x around 0 99.2%

   \[\leadsto \color{blue}{0.16666666666666666 \cdot {x}^{2} + -0.06388888888888888 \cdot {x}^{4}} \]
3. Step-by-step derivation

   1. fma-def 99.2%

      \[\leadsto \color{blue}{\mathsf{fma}\left(0.16666666666666666, {x}^{2}, -0.06388888888888888 \cdot {x}^{4}\right)} \]

   2. unpow2 99.2%

      \[\leadsto \mathsf{fma}\left(0.16666666666666666, \color{blue}{x \cdot x}, -0.06388888888888888 \cdot {x}^{4}\right) \]

4. Simplified 99.2%

   \[\leadsto \color{blue}{\mathsf{fma}\left(0.16666666666666666, x \cdot x, -0.06388888888888888 \cdot {x}^{4}\right)} \]

5. Final simplification 99.2%

   \[\leadsto \mathsf{fma}\left(0.16666666666666666, x \cdot x, -0.06388888888888888 \cdot {x}^{4}\right) \]

Alternative 4: 99.3% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \mathsf{fma}\left({x}^{4}, -0.06388888888888888, 0.16666666666666666 \cdot \left(x \cdot x\right)\right) \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (fma (pow x 4.0) -0.06388888888888888 (* 0.16666666666666666 (* x x))))

C

double code(double x) {
	return fma(pow(x, 4.0), -0.06388888888888888, (0.16666666666666666 * (x * x)));
}

Julia

function code(x)
	return fma((x ^ 4.0), -0.06388888888888888, Float64(0.16666666666666666 * Float64(x * x)))
end

Wolfram

code[x_] := N[(N[Power[x, 4.0], $MachinePrecision] * -0.06388888888888888 + N[(0.16666666666666666 * N[(x * x), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 53.2%

   \[\frac{x - \sin x}{\tan x} \]

2. Taylor expanded in x around 0 99.2%

   \[\leadsto \color{blue}{0.16666666666666666 \cdot {x}^{2} + -0.06388888888888888 \cdot {x}^{4}} \]
3. Step-by-step derivation

   1. +-commutative 99.2%

      \[\leadsto \color{blue}{-0.06388888888888888 \cdot {x}^{4} + 0.16666666666666666 \cdot {x}^{2}} \]

   2. *-commutative 99.2%

      \[\leadsto \color{blue}{{x}^{4} \cdot -0.06388888888888888} + 0.16666666666666666 \cdot {x}^{2} \]

   3. fma-def 99.2%

      \[\leadsto \color{blue}{\mathsf{fma}\left({x}^{4}, -0.06388888888888888, 0.16666666666666666 \cdot {x}^{2}\right)} \]

   4. pow2 99.2%

      \[\leadsto \mathsf{fma}\left({x}^{4}, -0.06388888888888888, 0.16666666666666666 \cdot \color{blue}{\left(x \cdot x\right)}\right) \]

4. Applied egg-rr 99.2%

   \[\leadsto \color{blue}{\mathsf{fma}\left({x}^{4}, -0.06388888888888888, 0.16666666666666666 \cdot \left(x \cdot x\right)\right)} \]

5. Final simplification 99.2%

   \[\leadsto \mathsf{fma}\left({x}^{4}, -0.06388888888888888, 0.16666666666666666 \cdot \left(x \cdot x\right)\right) \]

Alternative 5: 98.7% accurate, 41.0× speedup

Math

\[\begin{array}{l} \\ 0.16666666666666666 \cdot \left(x \cdot x\right) \end{array} \]

FPCore

(FPCore (x) :precision binary64 (* 0.16666666666666666 (* x x)))

C

double code(double x) {
	return 0.16666666666666666 * (x * x);
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = 0.16666666666666666d0 * (x * x)
end function

Java

public static double code(double x) {
	return 0.16666666666666666 * (x * x);
}

Python

def code(x):
	return 0.16666666666666666 * (x * x)

Julia

function code(x)
	return Float64(0.16666666666666666 * Float64(x * x))
end

MATLAB

function tmp = code(x)
	tmp = 0.16666666666666666 * (x * x);
end

Wolfram

code[x_] := N[(0.16666666666666666 * N[(x * x), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 53.2%

   \[\frac{x - \sin x}{\tan x} \]

2. Taylor expanded in x around 0 98.3%

   \[\leadsto \color{blue}{0.16666666666666666 \cdot {x}^{2}} \]
3. Step-by-step derivation

   1. unpow2 98.3%

      \[\leadsto 0.16666666666666666 \cdot \color{blue}{\left(x \cdot x\right)} \]

4. Simplified 98.3%

   \[\leadsto \color{blue}{0.16666666666666666 \cdot \left(x \cdot x\right)} \]

5. Final simplification 98.3%

   \[\leadsto 0.16666666666666666 \cdot \left(x \cdot x\right) \]

Alternative 6: 98.7% accurate, 41.0× speedup

Math

\[\begin{array}{l} \\ x \cdot \left(0.16666666666666666 \cdot x\right) \end{array} \]

FPCore

(FPCore (x) :precision binary64 (* x (* 0.16666666666666666 x)))

C

double code(double x) {
	return x * (0.16666666666666666 * x);
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = x * (0.16666666666666666d0 * x)
end function

Java

public static double code(double x) {
	return x * (0.16666666666666666 * x);
}

Python

def code(x):
	return x * (0.16666666666666666 * x)

Julia

function code(x)
	return Float64(x * Float64(0.16666666666666666 * x))
end

MATLAB

function tmp = code(x)
	tmp = x * (0.16666666666666666 * x);
end

Wolfram

code[x_] := N[(x * N[(0.16666666666666666 * x), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 53.2%

   \[\frac{x - \sin x}{\tan x} \]

2. Taylor expanded in x around 0 98.3%

   \[\leadsto \color{blue}{0.16666666666666666 \cdot {x}^{2}} \]
3. Step-by-step derivation

   1. unpow2 98.3%

      \[\leadsto 0.16666666666666666 \cdot \color{blue}{\left(x \cdot x\right)} \]

4. Simplified 98.3%

   \[\leadsto \color{blue}{0.16666666666666666 \cdot \left(x \cdot x\right)} \]

5. Taylor expanded in x around 0 98.3%

   \[\leadsto \color{blue}{0.16666666666666666 \cdot {x}^{2}} \]
6. Step-by-step derivation

   1. unpow2 98.3%

      \[\leadsto 0.16666666666666666 \cdot \color{blue}{\left(x \cdot x\right)} \]

   2. associate-*r* 98.3%

      \[\leadsto \color{blue}{\left(0.16666666666666666 \cdot x\right) \cdot x} \]

7. Simplified 98.3%

   \[\leadsto \color{blue}{\left(0.16666666666666666 \cdot x\right) \cdot x} \]

8. Final simplification 98.3%

   \[\leadsto x \cdot \left(0.16666666666666666 \cdot x\right) \]

Developer target: 98.7% accurate, 41.0× speedup

Math

\[\begin{array}{l} \\ 0.16666666666666666 \cdot \left(x \cdot x\right) \end{array} \]

FPCore

(FPCore (x) :precision binary64 (* 0.16666666666666666 (* x x)))

C

double code(double x) {
	return 0.16666666666666666 * (x * x);
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = 0.16666666666666666d0 * (x * x)
end function

Java

public static double code(double x) {
	return 0.16666666666666666 * (x * x);
}

Python

def code(x):
	return 0.16666666666666666 * (x * x)

Julia

function code(x)
	return Float64(0.16666666666666666 * Float64(x * x))
end

MATLAB

function tmp = code(x)
	tmp = 0.16666666666666666 * (x * x);
end

Wolfram

code[x_] := N[(0.16666666666666666 * N[(x * x), $MachinePrecision]), $MachinePrecision]

Reproduce

herbie shell --seed 2023238 
(FPCore (x)
  :name "ENA, Section 1.4, Exercise 4a"
  :precision binary64
  :pre (and (<= -1.0 x) (<= x 1.0))

  :herbie-target
  (* 0.16666666666666666 (* x x))

  (/ (- x (sin x)) (tan x)))