Numeric.SpecFunctions:$slogFactorial from math-functions-0.1.5.2, B

Percentage Accurate: 93.7% → 99.5%

Time: 15.7s

Alternatives: 9

Speedup: 1.0×

• 31.9% of points produce a very large (infinite) output. You may want to add a precondition.

Specification

Math

\[\begin{array}{l} \\ \left(\left(\left(x - 0.5\right) \cdot \log x - x\right) + 0.91893853320467\right) + \frac{\left(\left(y + 0.0007936500793651\right) \cdot z - 0.0027777777777778\right) \cdot z + 0.083333333333333}{x} \end{array} \]

FPCore

(FPCore (x y z)
 :precision binary64
 (+
  (+ (- (* (- x 0.5) (log x)) x) 0.91893853320467)
  (/
   (+
    (* (- (* (+ y 0.0007936500793651) z) 0.0027777777777778) z)
    0.083333333333333)
   x)))

C

double code(double x, double y, double z) {
	return ((((x - 0.5) * log(x)) - x) + 0.91893853320467) + ((((((y + 0.0007936500793651) * z) - 0.0027777777777778) * z) + 0.083333333333333) / x);
}

Fortran

real(8) function code(x, y, z)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    code = ((((x - 0.5d0) * log(x)) - x) + 0.91893853320467d0) + ((((((y + 0.0007936500793651d0) * z) - 0.0027777777777778d0) * z) + 0.083333333333333d0) / x)
end function

Java

public static double code(double x, double y, double z) {
	return ((((x - 0.5) * Math.log(x)) - x) + 0.91893853320467) + ((((((y + 0.0007936500793651) * z) - 0.0027777777777778) * z) + 0.083333333333333) / x);
}

Python

def code(x, y, z):
	return ((((x - 0.5) * math.log(x)) - x) + 0.91893853320467) + ((((((y + 0.0007936500793651) * z) - 0.0027777777777778) * z) + 0.083333333333333) / x)

Julia

function code(x, y, z)
	return Float64(Float64(Float64(Float64(Float64(x - 0.5) * log(x)) - x) + 0.91893853320467) + Float64(Float64(Float64(Float64(Float64(Float64(y + 0.0007936500793651) * z) - 0.0027777777777778) * z) + 0.083333333333333) / x))
end

MATLAB

function tmp = code(x, y, z)
	tmp = ((((x - 0.5) * log(x)) - x) + 0.91893853320467) + ((((((y + 0.0007936500793651) * z) - 0.0027777777777778) * z) + 0.083333333333333) / x);
end

Wolfram

code[x_, y_, z_] := N[(N[(N[(N[(N[(x - 0.5), $MachinePrecision] * N[Log[x], $MachinePrecision]), $MachinePrecision] - x), $MachinePrecision] + 0.91893853320467), $MachinePrecision] + N[(N[(N[(N[(N[(N[(y + 0.0007936500793651), $MachinePrecision] * z), $MachinePrecision] - 0.0027777777777778), $MachinePrecision] * z), $MachinePrecision] + 0.083333333333333), $MachinePrecision] / x), $MachinePrecision]), $MachinePrecision]

Initial Program: 93.7% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \left(\left(\left(x - 0.5\right) \cdot \log x - x\right) + 0.91893853320467\right) + \frac{\left(\left(y + 0.0007936500793651\right) \cdot z - 0.0027777777777778\right) \cdot z + 0.083333333333333}{x} \end{array} \]

FPCore

(FPCore (x y z)
 :precision binary64
 (+
  (+ (- (* (- x 0.5) (log x)) x) 0.91893853320467)
  (/
   (+
    (* (- (* (+ y 0.0007936500793651) z) 0.0027777777777778) z)
    0.083333333333333)
   x)))

C

double code(double x, double y, double z) {
	return ((((x - 0.5) * log(x)) - x) + 0.91893853320467) + ((((((y + 0.0007936500793651) * z) - 0.0027777777777778) * z) + 0.083333333333333) / x);
}

Fortran

real(8) function code(x, y, z)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    code = ((((x - 0.5d0) * log(x)) - x) + 0.91893853320467d0) + ((((((y + 0.0007936500793651d0) * z) - 0.0027777777777778d0) * z) + 0.083333333333333d0) / x)
end function

Java

public static double code(double x, double y, double z) {
	return ((((x - 0.5) * Math.log(x)) - x) + 0.91893853320467) + ((((((y + 0.0007936500793651) * z) - 0.0027777777777778) * z) + 0.083333333333333) / x);
}

Python

def code(x, y, z):
	return ((((x - 0.5) * math.log(x)) - x) + 0.91893853320467) + ((((((y + 0.0007936500793651) * z) - 0.0027777777777778) * z) + 0.083333333333333) / x)

Julia

function code(x, y, z)
	return Float64(Float64(Float64(Float64(Float64(x - 0.5) * log(x)) - x) + 0.91893853320467) + Float64(Float64(Float64(Float64(Float64(Float64(y + 0.0007936500793651) * z) - 0.0027777777777778) * z) + 0.083333333333333) / x))
end

MATLAB

function tmp = code(x, y, z)
	tmp = ((((x - 0.5) * log(x)) - x) + 0.91893853320467) + ((((((y + 0.0007936500793651) * z) - 0.0027777777777778) * z) + 0.083333333333333) / x);
end

Wolfram

code[x_, y_, z_] := N[(N[(N[(N[(N[(x - 0.5), $MachinePrecision] * N[Log[x], $MachinePrecision]), $MachinePrecision] - x), $MachinePrecision] + 0.91893853320467), $MachinePrecision] + N[(N[(N[(N[(N[(N[(y + 0.0007936500793651), $MachinePrecision] * z), $MachinePrecision] - 0.0027777777777778), $MachinePrecision] * z), $MachinePrecision] + 0.083333333333333), $MachinePrecision] / x), $MachinePrecision]), $MachinePrecision]

Alternative 1: 99.5% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_0 := \left(\left(x - 0.5\right) \cdot \log x - x\right) + 0.91893853320467\\ \mathbf{if}\;x \leq 10000000:\\ \;\;\;\;t_0 + \frac{z \cdot \left(z \cdot \left(y + 0.0007936500793651\right) - 0.0027777777777778\right) + 0.083333333333333}{x}\\ \mathbf{else}:\\ \;\;\;\;t_0 + \left(z \cdot \frac{z}{x}\right) \cdot \left(y + 0.0007936500793651\right)\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z)
 :precision binary64
 (let* ((t_0 (+ (- (* (- x 0.5) (log x)) x) 0.91893853320467)))
   (if (<= x 10000000.0)
     (+
      t_0
      (/
       (+
        (* z (- (* z (+ y 0.0007936500793651)) 0.0027777777777778))
        0.083333333333333)
       x))
     (+ t_0 (* (* z (/ z x)) (+ y 0.0007936500793651))))))

C

double code(double x, double y, double z) {
	double t_0 = (((x - 0.5) * log(x)) - x) + 0.91893853320467;
	double tmp;
	if (x <= 10000000.0) {
		tmp = t_0 + (((z * ((z * (y + 0.0007936500793651)) - 0.0027777777777778)) + 0.083333333333333) / x);
	} else {
		tmp = t_0 + ((z * (z / x)) * (y + 0.0007936500793651));
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8) :: t_0
    real(8) :: tmp
    t_0 = (((x - 0.5d0) * log(x)) - x) + 0.91893853320467d0
    if (x <= 10000000.0d0) then
        tmp = t_0 + (((z * ((z * (y + 0.0007936500793651d0)) - 0.0027777777777778d0)) + 0.083333333333333d0) / x)
    else
        tmp = t_0 + ((z * (z / x)) * (y + 0.0007936500793651d0))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z) {
	double t_0 = (((x - 0.5) * Math.log(x)) - x) + 0.91893853320467;
	double tmp;
	if (x <= 10000000.0) {
		tmp = t_0 + (((z * ((z * (y + 0.0007936500793651)) - 0.0027777777777778)) + 0.083333333333333) / x);
	} else {
		tmp = t_0 + ((z * (z / x)) * (y + 0.0007936500793651));
	}
	return tmp;
}

Python

def code(x, y, z):
	t_0 = (((x - 0.5) * math.log(x)) - x) + 0.91893853320467
	tmp = 0
	if x <= 10000000.0:
		tmp = t_0 + (((z * ((z * (y + 0.0007936500793651)) - 0.0027777777777778)) + 0.083333333333333) / x)
	else:
		tmp = t_0 + ((z * (z / x)) * (y + 0.0007936500793651))
	return tmp

Julia

function code(x, y, z)
	t_0 = Float64(Float64(Float64(Float64(x - 0.5) * log(x)) - x) + 0.91893853320467)
	tmp = 0.0
	if (x <= 10000000.0)
		tmp = Float64(t_0 + Float64(Float64(Float64(z * Float64(Float64(z * Float64(y + 0.0007936500793651)) - 0.0027777777777778)) + 0.083333333333333) / x));
	else
		tmp = Float64(t_0 + Float64(Float64(z * Float64(z / x)) * Float64(y + 0.0007936500793651)));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z)
	t_0 = (((x - 0.5) * log(x)) - x) + 0.91893853320467;
	tmp = 0.0;
	if (x <= 10000000.0)
		tmp = t_0 + (((z * ((z * (y + 0.0007936500793651)) - 0.0027777777777778)) + 0.083333333333333) / x);
	else
		tmp = t_0 + ((z * (z / x)) * (y + 0.0007936500793651));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_] := Block[{t$95$0 = N[(N[(N[(N[(x - 0.5), $MachinePrecision] * N[Log[x], $MachinePrecision]), $MachinePrecision] - x), $MachinePrecision] + 0.91893853320467), $MachinePrecision]}, If[LessEqual[x, 10000000.0], N[(t$95$0 + N[(N[(N[(z * N[(N[(z * N[(y + 0.0007936500793651), $MachinePrecision]), $MachinePrecision] - 0.0027777777777778), $MachinePrecision]), $MachinePrecision] + 0.083333333333333), $MachinePrecision] / x), $MachinePrecision]), $MachinePrecision], N[(t$95$0 + N[(N[(z * N[(z / x), $MachinePrecision]), $MachinePrecision] * N[(y + 0.0007936500793651), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]

Derivation

&prev;&pcontext;&pcontext2;&ctx;
1. Add Preprocessing

Alternative 2: 94.6% accurate, 0.9× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_0 := z \cdot \left(z \cdot \left(y + 0.0007936500793651\right) - 0.0027777777777778\right)\\ t_1 := \left(\left(x - 0.5\right) \cdot \log x - x\right) + 0.91893853320467\\ \mathbf{if}\;t_0 \leq -1 \cdot 10^{+20}:\\ \;\;\;\;t_1 + \frac{y}{\frac{1}{z} \cdot \frac{x}{z}}\\ \mathbf{elif}\;t_0 \leq 2 \cdot 10^{-82}:\\ \;\;\;\;t_1 + \frac{0.083333333333333}{x}\\ \mathbf{else}:\\ \;\;\;\;\frac{t_0 + 0.083333333333333}{x} + x \cdot \left(\log x + -1\right)\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z)
 :precision binary64
 (let* ((t_0 (* z (- (* z (+ y 0.0007936500793651)) 0.0027777777777778)))
        (t_1 (+ (- (* (- x 0.5) (log x)) x) 0.91893853320467)))
   (if (<= t_0 -1e+20)
     (+ t_1 (/ y (* (/ 1.0 z) (/ x z))))
     (if (<= t_0 2e-82)
       (+ t_1 (/ 0.083333333333333 x))
       (+ (/ (+ t_0 0.083333333333333) x) (* x (+ (log x) -1.0)))))))

C

double code(double x, double y, double z) {
	double t_0 = z * ((z * (y + 0.0007936500793651)) - 0.0027777777777778);
	double t_1 = (((x - 0.5) * log(x)) - x) + 0.91893853320467;
	double tmp;
	if (t_0 <= -1e+20) {
		tmp = t_1 + (y / ((1.0 / z) * (x / z)));
	} else if (t_0 <= 2e-82) {
		tmp = t_1 + (0.083333333333333 / x);
	} else {
		tmp = ((t_0 + 0.083333333333333) / x) + (x * (log(x) + -1.0));
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8) :: t_0
    real(8) :: t_1
    real(8) :: tmp
    t_0 = z * ((z * (y + 0.0007936500793651d0)) - 0.0027777777777778d0)
    t_1 = (((x - 0.5d0) * log(x)) - x) + 0.91893853320467d0
    if (t_0 <= (-1d+20)) then
        tmp = t_1 + (y / ((1.0d0 / z) * (x / z)))
    else if (t_0 <= 2d-82) then
        tmp = t_1 + (0.083333333333333d0 / x)
    else
        tmp = ((t_0 + 0.083333333333333d0) / x) + (x * (log(x) + (-1.0d0)))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z) {
	double t_0 = z * ((z * (y + 0.0007936500793651)) - 0.0027777777777778);
	double t_1 = (((x - 0.5) * Math.log(x)) - x) + 0.91893853320467;
	double tmp;
	if (t_0 <= -1e+20) {
		tmp = t_1 + (y / ((1.0 / z) * (x / z)));
	} else if (t_0 <= 2e-82) {
		tmp = t_1 + (0.083333333333333 / x);
	} else {
		tmp = ((t_0 + 0.083333333333333) / x) + (x * (Math.log(x) + -1.0));
	}
	return tmp;
}

Python

def code(x, y, z):
	t_0 = z * ((z * (y + 0.0007936500793651)) - 0.0027777777777778)
	t_1 = (((x - 0.5) * math.log(x)) - x) + 0.91893853320467
	tmp = 0
	if t_0 <= -1e+20:
		tmp = t_1 + (y / ((1.0 / z) * (x / z)))
	elif t_0 <= 2e-82:
		tmp = t_1 + (0.083333333333333 / x)
	else:
		tmp = ((t_0 + 0.083333333333333) / x) + (x * (math.log(x) + -1.0))
	return tmp

Julia

function code(x, y, z)
	t_0 = Float64(z * Float64(Float64(z * Float64(y + 0.0007936500793651)) - 0.0027777777777778))
	t_1 = Float64(Float64(Float64(Float64(x - 0.5) * log(x)) - x) + 0.91893853320467)
	tmp = 0.0
	if (t_0 <= -1e+20)
		tmp = Float64(t_1 + Float64(y / Float64(Float64(1.0 / z) * Float64(x / z))));
	elseif (t_0 <= 2e-82)
		tmp = Float64(t_1 + Float64(0.083333333333333 / x));
	else
		tmp = Float64(Float64(Float64(t_0 + 0.083333333333333) / x) + Float64(x * Float64(log(x) + -1.0)));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z)
	t_0 = z * ((z * (y + 0.0007936500793651)) - 0.0027777777777778);
	t_1 = (((x - 0.5) * log(x)) - x) + 0.91893853320467;
	tmp = 0.0;
	if (t_0 <= -1e+20)
		tmp = t_1 + (y / ((1.0 / z) * (x / z)));
	elseif (t_0 <= 2e-82)
		tmp = t_1 + (0.083333333333333 / x);
	else
		tmp = ((t_0 + 0.083333333333333) / x) + (x * (log(x) + -1.0));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_] := Block[{t$95$0 = N[(z * N[(N[(z * N[(y + 0.0007936500793651), $MachinePrecision]), $MachinePrecision] - 0.0027777777777778), $MachinePrecision]), $MachinePrecision]}, Block[{t$95$1 = N[(N[(N[(N[(x - 0.5), $MachinePrecision] * N[Log[x], $MachinePrecision]), $MachinePrecision] - x), $MachinePrecision] + 0.91893853320467), $MachinePrecision]}, If[LessEqual[t$95$0, -1e+20], N[(t$95$1 + N[(y / N[(N[(1.0 / z), $MachinePrecision] * N[(x / z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[t$95$0, 2e-82], N[(t$95$1 + N[(0.083333333333333 / x), $MachinePrecision]), $MachinePrecision], N[(N[(N[(t$95$0 + 0.083333333333333), $MachinePrecision] / x), $MachinePrecision] + N[(x * N[(N[Log[x], $MachinePrecision] + -1.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]]]

Derivation

&prev;&pcontext;&pcontext2;&ctx;
1. Add Preprocessing

Alternative 3: 95.0% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_0 := \frac{z \cdot \left(z \cdot \left(y + 0.0007936500793651\right) - 0.0027777777777778\right) + 0.083333333333333}{x} + x \cdot \left(\log x + -1\right)\\ t_1 := \left(\left(x - 0.5\right) \cdot \log x - x\right) + 0.91893853320467\\ \mathbf{if}\;x \leq 1.1 \cdot 10^{-6}:\\ \;\;\;\;t_0\\ \mathbf{elif}\;x \leq 5100000:\\ \;\;\;\;t_1 + \frac{0.083333333333333}{x}\\ \mathbf{elif}\;x \leq 9 \cdot 10^{+195}:\\ \;\;\;\;t_0\\ \mathbf{else}:\\ \;\;\;\;t_1 + z \cdot \left(z \cdot \frac{y}{x}\right)\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z)
 :precision binary64
 (let* ((t_0
         (+
          (/
           (+
            (* z (- (* z (+ y 0.0007936500793651)) 0.0027777777777778))
            0.083333333333333)
           x)
          (* x (+ (log x) -1.0))))
        (t_1 (+ (- (* (- x 0.5) (log x)) x) 0.91893853320467)))
   (if (<= x 1.1e-6)
     t_0
     (if (<= x 5100000.0)
       (+ t_1 (/ 0.083333333333333 x))
       (if (<= x 9e+195) t_0 (+ t_1 (* z (* z (/ y x)))))))))

C

double code(double x, double y, double z) {
	double t_0 = (((z * ((z * (y + 0.0007936500793651)) - 0.0027777777777778)) + 0.083333333333333) / x) + (x * (log(x) + -1.0));
	double t_1 = (((x - 0.5) * log(x)) - x) + 0.91893853320467;
	double tmp;
	if (x <= 1.1e-6) {
		tmp = t_0;
	} else if (x <= 5100000.0) {
		tmp = t_1 + (0.083333333333333 / x);
	} else if (x <= 9e+195) {
		tmp = t_0;
	} else {
		tmp = t_1 + (z * (z * (y / x)));
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8) :: t_0
    real(8) :: t_1
    real(8) :: tmp
    t_0 = (((z * ((z * (y + 0.0007936500793651d0)) - 0.0027777777777778d0)) + 0.083333333333333d0) / x) + (x * (log(x) + (-1.0d0)))
    t_1 = (((x - 0.5d0) * log(x)) - x) + 0.91893853320467d0
    if (x <= 1.1d-6) then
        tmp = t_0
    else if (x <= 5100000.0d0) then
        tmp = t_1 + (0.083333333333333d0 / x)
    else if (x <= 9d+195) then
        tmp = t_0
    else
        tmp = t_1 + (z * (z * (y / x)))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z) {
	double t_0 = (((z * ((z * (y + 0.0007936500793651)) - 0.0027777777777778)) + 0.083333333333333) / x) + (x * (Math.log(x) + -1.0));
	double t_1 = (((x - 0.5) * Math.log(x)) - x) + 0.91893853320467;
	double tmp;
	if (x <= 1.1e-6) {
		tmp = t_0;
	} else if (x <= 5100000.0) {
		tmp = t_1 + (0.083333333333333 / x);
	} else if (x <= 9e+195) {
		tmp = t_0;
	} else {
		tmp = t_1 + (z * (z * (y / x)));
	}
	return tmp;
}

Python

def code(x, y, z):
	t_0 = (((z * ((z * (y + 0.0007936500793651)) - 0.0027777777777778)) + 0.083333333333333) / x) + (x * (math.log(x) + -1.0))
	t_1 = (((x - 0.5) * math.log(x)) - x) + 0.91893853320467
	tmp = 0
	if x <= 1.1e-6:
		tmp = t_0
	elif x <= 5100000.0:
		tmp = t_1 + (0.083333333333333 / x)
	elif x <= 9e+195:
		tmp = t_0
	else:
		tmp = t_1 + (z * (z * (y / x)))
	return tmp

Julia

function code(x, y, z)
	t_0 = Float64(Float64(Float64(Float64(z * Float64(Float64(z * Float64(y + 0.0007936500793651)) - 0.0027777777777778)) + 0.083333333333333) / x) + Float64(x * Float64(log(x) + -1.0)))
	t_1 = Float64(Float64(Float64(Float64(x - 0.5) * log(x)) - x) + 0.91893853320467)
	tmp = 0.0
	if (x <= 1.1e-6)
		tmp = t_0;
	elseif (x <= 5100000.0)
		tmp = Float64(t_1 + Float64(0.083333333333333 / x));
	elseif (x <= 9e+195)
		tmp = t_0;
	else
		tmp = Float64(t_1 + Float64(z * Float64(z * Float64(y / x))));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z)
	t_0 = (((z * ((z * (y + 0.0007936500793651)) - 0.0027777777777778)) + 0.083333333333333) / x) + (x * (log(x) + -1.0));
	t_1 = (((x - 0.5) * log(x)) - x) + 0.91893853320467;
	tmp = 0.0;
	if (x <= 1.1e-6)
		tmp = t_0;
	elseif (x <= 5100000.0)
		tmp = t_1 + (0.083333333333333 / x);
	elseif (x <= 9e+195)
		tmp = t_0;
	else
		tmp = t_1 + (z * (z * (y / x)));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_] := Block[{t$95$0 = N[(N[(N[(N[(z * N[(N[(z * N[(y + 0.0007936500793651), $MachinePrecision]), $MachinePrecision] - 0.0027777777777778), $MachinePrecision]), $MachinePrecision] + 0.083333333333333), $MachinePrecision] / x), $MachinePrecision] + N[(x * N[(N[Log[x], $MachinePrecision] + -1.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]}, Block[{t$95$1 = N[(N[(N[(N[(x - 0.5), $MachinePrecision] * N[Log[x], $MachinePrecision]), $MachinePrecision] - x), $MachinePrecision] + 0.91893853320467), $MachinePrecision]}, If[LessEqual[x, 1.1e-6], t$95$0, If[LessEqual[x, 5100000.0], N[(t$95$1 + N[(0.083333333333333 / x), $MachinePrecision]), $MachinePrecision], If[LessEqual[x, 9e+195], t$95$0, N[(t$95$1 + N[(z * N[(z * N[(y / x), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]]]]

Derivation

&prev;&pcontext;&pcontext2;&ctx;
1. Add Preprocessing

Alternative 4: 81.0% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_0 := \left(\left(x - 0.5\right) \cdot \log x - x\right) + 0.91893853320467\\ \mathbf{if}\;z \leq -4.5 \cdot 10^{-38} \lor \neg \left(z \leq 2.2 \cdot 10^{-8}\right):\\ \;\;\;\;t_0 + z \cdot \left(z \cdot \frac{y}{x}\right)\\ \mathbf{else}:\\ \;\;\;\;t_0 + \frac{0.083333333333333}{x}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z)
 :precision binary64
 (let* ((t_0 (+ (- (* (- x 0.5) (log x)) x) 0.91893853320467)))
   (if (or (<= z -4.5e-38) (not (<= z 2.2e-8)))
     (+ t_0 (* z (* z (/ y x))))
     (+ t_0 (/ 0.083333333333333 x)))))

C

double code(double x, double y, double z) {
	double t_0 = (((x - 0.5) * log(x)) - x) + 0.91893853320467;
	double tmp;
	if ((z <= -4.5e-38) || !(z <= 2.2e-8)) {
		tmp = t_0 + (z * (z * (y / x)));
	} else {
		tmp = t_0 + (0.083333333333333 / x);
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8) :: t_0
    real(8) :: tmp
    t_0 = (((x - 0.5d0) * log(x)) - x) + 0.91893853320467d0
    if ((z <= (-4.5d-38)) .or. (.not. (z <= 2.2d-8))) then
        tmp = t_0 + (z * (z * (y / x)))
    else
        tmp = t_0 + (0.083333333333333d0 / x)
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z) {
	double t_0 = (((x - 0.5) * Math.log(x)) - x) + 0.91893853320467;
	double tmp;
	if ((z <= -4.5e-38) || !(z <= 2.2e-8)) {
		tmp = t_0 + (z * (z * (y / x)));
	} else {
		tmp = t_0 + (0.083333333333333 / x);
	}
	return tmp;
}

Python

def code(x, y, z):
	t_0 = (((x - 0.5) * math.log(x)) - x) + 0.91893853320467
	tmp = 0
	if (z <= -4.5e-38) or not (z <= 2.2e-8):
		tmp = t_0 + (z * (z * (y / x)))
	else:
		tmp = t_0 + (0.083333333333333 / x)
	return tmp

Julia

function code(x, y, z)
	t_0 = Float64(Float64(Float64(Float64(x - 0.5) * log(x)) - x) + 0.91893853320467)
	tmp = 0.0
	if ((z <= -4.5e-38) || !(z <= 2.2e-8))
		tmp = Float64(t_0 + Float64(z * Float64(z * Float64(y / x))));
	else
		tmp = Float64(t_0 + Float64(0.083333333333333 / x));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z)
	t_0 = (((x - 0.5) * log(x)) - x) + 0.91893853320467;
	tmp = 0.0;
	if ((z <= -4.5e-38) || ~((z <= 2.2e-8)))
		tmp = t_0 + (z * (z * (y / x)));
	else
		tmp = t_0 + (0.083333333333333 / x);
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_] := Block[{t$95$0 = N[(N[(N[(N[(x - 0.5), $MachinePrecision] * N[Log[x], $MachinePrecision]), $MachinePrecision] - x), $MachinePrecision] + 0.91893853320467), $MachinePrecision]}, If[Or[LessEqual[z, -4.5e-38], N[Not[LessEqual[z, 2.2e-8]], $MachinePrecision]], N[(t$95$0 + N[(z * N[(z * N[(y / x), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(t$95$0 + N[(0.083333333333333 / x), $MachinePrecision]), $MachinePrecision]]]

Derivation

&prev;&pcontext;&pcontext2;&ctx;
1. Add Preprocessing

Alternative 5: 99.1% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;x \leq 0.195:\\ \;\;\;\;\frac{z \cdot \left(z \cdot \left(y + 0.0007936500793651\right) - 0.0027777777777778\right) + 0.083333333333333}{x} + \left(0.91893853320467 + \log x \cdot -0.5\right)\\ \mathbf{else}:\\ \;\;\;\;\left(\left(\left(x - 0.5\right) \cdot \log x - x\right) + 0.91893853320467\right) + \left(z \cdot \frac{z}{x}\right) \cdot \left(y + 0.0007936500793651\right)\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z)
 :precision binary64
 (if (<= x 0.195)
   (+
    (/
     (+
      (* z (- (* z (+ y 0.0007936500793651)) 0.0027777777777778))
      0.083333333333333)
     x)
    (+ 0.91893853320467 (* (log x) -0.5)))
   (+
    (+ (- (* (- x 0.5) (log x)) x) 0.91893853320467)
    (* (* z (/ z x)) (+ y 0.0007936500793651)))))

C

double code(double x, double y, double z) {
	double tmp;
	if (x <= 0.195) {
		tmp = (((z * ((z * (y + 0.0007936500793651)) - 0.0027777777777778)) + 0.083333333333333) / x) + (0.91893853320467 + (log(x) * -0.5));
	} else {
		tmp = ((((x - 0.5) * log(x)) - x) + 0.91893853320467) + ((z * (z / x)) * (y + 0.0007936500793651));
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8) :: tmp
    if (x <= 0.195d0) then
        tmp = (((z * ((z * (y + 0.0007936500793651d0)) - 0.0027777777777778d0)) + 0.083333333333333d0) / x) + (0.91893853320467d0 + (log(x) * (-0.5d0)))
    else
        tmp = ((((x - 0.5d0) * log(x)) - x) + 0.91893853320467d0) + ((z * (z / x)) * (y + 0.0007936500793651d0))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z) {
	double tmp;
	if (x <= 0.195) {
		tmp = (((z * ((z * (y + 0.0007936500793651)) - 0.0027777777777778)) + 0.083333333333333) / x) + (0.91893853320467 + (Math.log(x) * -0.5));
	} else {
		tmp = ((((x - 0.5) * Math.log(x)) - x) + 0.91893853320467) + ((z * (z / x)) * (y + 0.0007936500793651));
	}
	return tmp;
}

Python

def code(x, y, z):
	tmp = 0
	if x <= 0.195:
		tmp = (((z * ((z * (y + 0.0007936500793651)) - 0.0027777777777778)) + 0.083333333333333) / x) + (0.91893853320467 + (math.log(x) * -0.5))
	else:
		tmp = ((((x - 0.5) * math.log(x)) - x) + 0.91893853320467) + ((z * (z / x)) * (y + 0.0007936500793651))
	return tmp

Julia

function code(x, y, z)
	tmp = 0.0
	if (x <= 0.195)
		tmp = Float64(Float64(Float64(Float64(z * Float64(Float64(z * Float64(y + 0.0007936500793651)) - 0.0027777777777778)) + 0.083333333333333) / x) + Float64(0.91893853320467 + Float64(log(x) * -0.5)));
	else
		tmp = Float64(Float64(Float64(Float64(Float64(x - 0.5) * log(x)) - x) + 0.91893853320467) + Float64(Float64(z * Float64(z / x)) * Float64(y + 0.0007936500793651)));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z)
	tmp = 0.0;
	if (x <= 0.195)
		tmp = (((z * ((z * (y + 0.0007936500793651)) - 0.0027777777777778)) + 0.083333333333333) / x) + (0.91893853320467 + (log(x) * -0.5));
	else
		tmp = ((((x - 0.5) * log(x)) - x) + 0.91893853320467) + ((z * (z / x)) * (y + 0.0007936500793651));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_] := If[LessEqual[x, 0.195], N[(N[(N[(N[(z * N[(N[(z * N[(y + 0.0007936500793651), $MachinePrecision]), $MachinePrecision] - 0.0027777777777778), $MachinePrecision]), $MachinePrecision] + 0.083333333333333), $MachinePrecision] / x), $MachinePrecision] + N[(0.91893853320467 + N[(N[Log[x], $MachinePrecision] * -0.5), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(N[(N[(N[(N[(x - 0.5), $MachinePrecision] * N[Log[x], $MachinePrecision]), $MachinePrecision] - x), $MachinePrecision] + 0.91893853320467), $MachinePrecision] + N[(N[(z * N[(z / x), $MachinePrecision]), $MachinePrecision] * N[(y + 0.0007936500793651), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]

Derivation

&prev;&pcontext;&pcontext2;&ctx;
1. Add Preprocessing

Alternative 6: 57.1% accurate, 1.1× speedup

Math

\[\begin{array}{l} \\ \left(\left(\left(x - 0.5\right) \cdot \log x - x\right) + 0.91893853320467\right) + \frac{0.083333333333333}{x} \end{array} \]

FPCore

(FPCore (x y z)
 :precision binary64
 (+ (+ (- (* (- x 0.5) (log x)) x) 0.91893853320467) (/ 0.083333333333333 x)))

C

double code(double x, double y, double z) {
	return ((((x - 0.5) * log(x)) - x) + 0.91893853320467) + (0.083333333333333 / x);
}

Fortran

real(8) function code(x, y, z)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    code = ((((x - 0.5d0) * log(x)) - x) + 0.91893853320467d0) + (0.083333333333333d0 / x)
end function

Java

public static double code(double x, double y, double z) {
	return ((((x - 0.5) * Math.log(x)) - x) + 0.91893853320467) + (0.083333333333333 / x);
}

Python

def code(x, y, z):
	return ((((x - 0.5) * math.log(x)) - x) + 0.91893853320467) + (0.083333333333333 / x)

Julia

function code(x, y, z)
	return Float64(Float64(Float64(Float64(Float64(x - 0.5) * log(x)) - x) + 0.91893853320467) + Float64(0.083333333333333 / x))
end

MATLAB

function tmp = code(x, y, z)
	tmp = ((((x - 0.5) * log(x)) - x) + 0.91893853320467) + (0.083333333333333 / x);
end

Wolfram

code[x_, y_, z_] := N[(N[(N[(N[(N[(x - 0.5), $MachinePrecision] * N[Log[x], $MachinePrecision]), $MachinePrecision] - x), $MachinePrecision] + 0.91893853320467), $MachinePrecision] + N[(0.083333333333333 / x), $MachinePrecision]), $MachinePrecision]

Derivation

&prev;&pcontext;&pcontext2;&ctx;
1. Add Preprocessing

Alternative 7: 56.2% accurate, 1.1× speedup

Math

\[\begin{array}{l} \\ \frac{0.083333333333333}{x} + \left(0.91893853320467 + x \cdot \left(\log x + -1\right)\right) \end{array} \]

FPCore

(FPCore (x y z)
 :precision binary64
 (+ (/ 0.083333333333333 x) (+ 0.91893853320467 (* x (+ (log x) -1.0)))))

C

double code(double x, double y, double z) {
	return (0.083333333333333 / x) + (0.91893853320467 + (x * (log(x) + -1.0)));
}

Fortran

real(8) function code(x, y, z)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    code = (0.083333333333333d0 / x) + (0.91893853320467d0 + (x * (log(x) + (-1.0d0))))
end function

Java

public static double code(double x, double y, double z) {
	return (0.083333333333333 / x) + (0.91893853320467 + (x * (Math.log(x) + -1.0)));
}

Python

def code(x, y, z):
	return (0.083333333333333 / x) + (0.91893853320467 + (x * (math.log(x) + -1.0)))

Julia

function code(x, y, z)
	return Float64(Float64(0.083333333333333 / x) + Float64(0.91893853320467 + Float64(x * Float64(log(x) + -1.0))))
end

MATLAB

function tmp = code(x, y, z)
	tmp = (0.083333333333333 / x) + (0.91893853320467 + (x * (log(x) + -1.0)));
end

Wolfram

code[x_, y_, z_] := N[(N[(0.083333333333333 / x), $MachinePrecision] + N[(0.91893853320467 + N[(x * N[(N[Log[x], $MachinePrecision] + -1.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

&prev;&pcontext;&pcontext2;&ctx;
1. Add Preprocessing

Alternative 8: 56.1% accurate, 1.1× speedup

Math

\[\begin{array}{l} \\ \frac{0.083333333333333}{x} + x \cdot \left(\log x + -1\right) \end{array} \]

FPCore

(FPCore (x y z)
 :precision binary64
 (+ (/ 0.083333333333333 x) (* x (+ (log x) -1.0))))

C

double code(double x, double y, double z) {
	return (0.083333333333333 / x) + (x * (log(x) + -1.0));
}

Fortran

real(8) function code(x, y, z)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    code = (0.083333333333333d0 / x) + (x * (log(x) + (-1.0d0)))
end function

Java

public static double code(double x, double y, double z) {
	return (0.083333333333333 / x) + (x * (Math.log(x) + -1.0));
}

Python

def code(x, y, z):
	return (0.083333333333333 / x) + (x * (math.log(x) + -1.0))

Julia

function code(x, y, z)
	return Float64(Float64(0.083333333333333 / x) + Float64(x * Float64(log(x) + -1.0)))
end

MATLAB

function tmp = code(x, y, z)
	tmp = (0.083333333333333 / x) + (x * (log(x) + -1.0));
end

Wolfram

code[x_, y_, z_] := N[(N[(0.083333333333333 / x), $MachinePrecision] + N[(x * N[(N[Log[x], $MachinePrecision] + -1.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

&prev;&pcontext;&pcontext2;&ctx;
1. Add Preprocessing

Alternative 9: 21.4% accurate, 24.6× speedup

Math

\[\begin{array}{l} \\ \frac{0.083333333333333}{x} - x \end{array} \]

FPCore

(FPCore (x y z) :precision binary64 (- (/ 0.083333333333333 x) x))

C

double code(double x, double y, double z) {
	return (0.083333333333333 / x) - x;
}

Fortran

real(8) function code(x, y, z)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    code = (0.083333333333333d0 / x) - x
end function

Java

public static double code(double x, double y, double z) {
	return (0.083333333333333 / x) - x;
}

Python

def code(x, y, z):
	return (0.083333333333333 / x) - x

Julia

function code(x, y, z)
	return Float64(Float64(0.083333333333333 / x) - x)
end

MATLAB

function tmp = code(x, y, z)
	tmp = (0.083333333333333 / x) - x;
end

Wolfram

code[x_, y_, z_] := N[(N[(0.083333333333333 / x), $MachinePrecision] - x), $MachinePrecision]

Derivation

&prev;&pcontext;&pcontext2;&ctx;
1. Add Preprocessing

Developer target: 98.6% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \left(\left(\left(x - 0.5\right) \cdot \log x + \left(0.91893853320467 - x\right)\right) + \frac{0.083333333333333}{x}\right) + \frac{z}{x} \cdot \left(z \cdot \left(y + 0.0007936500793651\right) - 0.0027777777777778\right) \end{array} \]

FPCore

(FPCore (x y z)
 :precision binary64
 (+
  (+ (+ (* (- x 0.5) (log x)) (- 0.91893853320467 x)) (/ 0.083333333333333 x))
  (* (/ z x) (- (* z (+ y 0.0007936500793651)) 0.0027777777777778))))

C

double code(double x, double y, double z) {
	return ((((x - 0.5) * log(x)) + (0.91893853320467 - x)) + (0.083333333333333 / x)) + ((z / x) * ((z * (y + 0.0007936500793651)) - 0.0027777777777778));
}

Fortran

real(8) function code(x, y, z)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    code = ((((x - 0.5d0) * log(x)) + (0.91893853320467d0 - x)) + (0.083333333333333d0 / x)) + ((z / x) * ((z * (y + 0.0007936500793651d0)) - 0.0027777777777778d0))
end function

Java

public static double code(double x, double y, double z) {
	return ((((x - 0.5) * Math.log(x)) + (0.91893853320467 - x)) + (0.083333333333333 / x)) + ((z / x) * ((z * (y + 0.0007936500793651)) - 0.0027777777777778));
}

Python

def code(x, y, z):
	return ((((x - 0.5) * math.log(x)) + (0.91893853320467 - x)) + (0.083333333333333 / x)) + ((z / x) * ((z * (y + 0.0007936500793651)) - 0.0027777777777778))

Julia

function code(x, y, z)
	return Float64(Float64(Float64(Float64(Float64(x - 0.5) * log(x)) + Float64(0.91893853320467 - x)) + Float64(0.083333333333333 / x)) + Float64(Float64(z / x) * Float64(Float64(z * Float64(y + 0.0007936500793651)) - 0.0027777777777778)))
end

MATLAB

function tmp = code(x, y, z)
	tmp = ((((x - 0.5) * log(x)) + (0.91893853320467 - x)) + (0.083333333333333 / x)) + ((z / x) * ((z * (y + 0.0007936500793651)) - 0.0027777777777778));
end

Wolfram

code[x_, y_, z_] := N[(N[(N[(N[(N[(x - 0.5), $MachinePrecision] * N[Log[x], $MachinePrecision]), $MachinePrecision] + N[(0.91893853320467 - x), $MachinePrecision]), $MachinePrecision] + N[(0.083333333333333 / x), $MachinePrecision]), $MachinePrecision] + N[(N[(z / x), $MachinePrecision] * N[(N[(z * N[(y + 0.0007936500793651), $MachinePrecision]), $MachinePrecision] - 0.0027777777777778), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Reproduce

herbie shell --seed 2023343 
(FPCore (x y z)
  :name "Numeric.SpecFunctions:$slogFactorial from math-functions-0.1.5.2, B"
  :precision binary64

  :herbie-target
  (+ (+ (+ (* (- x 0.5) (log x)) (- 0.91893853320467 x)) (/ 0.083333333333333 x)) (* (/ z x) (- (* z (+ y 0.0007936500793651)) 0.0027777777777778)))

  (+ (+ (- (* (- x 0.5) (log x)) x) 0.91893853320467) (/ (+ (* (- (* (+ y 0.0007936500793651) z) 0.0027777777777778) z) 0.083333333333333) x)))