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

Percentage Accurate: 95.4% → 99.6%

Time: 12.5s

Alternatives: 19

Speedup: 1.0×

• 27.8% of points produce a very large (infinite) output. You may want to add a precondition.

Specification

Math

\[\begin{array}{l} \\ \left(x - \frac{y}{z \cdot 3}\right) + \frac{t}{\left(z \cdot 3\right) \cdot y} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (+ (- x (/ y (* z 3.0))) (/ t (* (* z 3.0) y))))

C

double code(double x, double y, double z, double t) {
	return (x - (y / (z * 3.0))) + (t / ((z * 3.0) * y));
}

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 = (x - (y / (z * 3.0d0))) + (t / ((z * 3.0d0) * y))
end function

Java

public static double code(double x, double y, double z, double t) {
	return (x - (y / (z * 3.0))) + (t / ((z * 3.0) * y));
}

Python

def code(x, y, z, t):
	return (x - (y / (z * 3.0))) + (t / ((z * 3.0) * y))

Julia

function code(x, y, z, t)
	return Float64(Float64(x - Float64(y / Float64(z * 3.0))) + Float64(t / Float64(Float64(z * 3.0) * y)))
end

MATLAB

function tmp = code(x, y, z, t)
	tmp = (x - (y / (z * 3.0))) + (t / ((z * 3.0) * y));
end

Wolfram

code[x_, y_, z_, t_] := N[(N[(x - N[(y / N[(z * 3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] + N[(t / N[(N[(z * 3.0), $MachinePrecision] * y), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Initial Program: 95.4% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \left(x - \frac{y}{z \cdot 3}\right) + \frac{t}{\left(z \cdot 3\right) \cdot y} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (+ (- x (/ y (* z 3.0))) (/ t (* (* z 3.0) y))))

C

double code(double x, double y, double z, double t) {
	return (x - (y / (z * 3.0))) + (t / ((z * 3.0) * y));
}

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 = (x - (y / (z * 3.0d0))) + (t / ((z * 3.0d0) * y))
end function

Java

public static double code(double x, double y, double z, double t) {
	return (x - (y / (z * 3.0))) + (t / ((z * 3.0) * y));
}

Python

def code(x, y, z, t):
	return (x - (y / (z * 3.0))) + (t / ((z * 3.0) * y))

Julia

function code(x, y, z, t)
	return Float64(Float64(x - Float64(y / Float64(z * 3.0))) + Float64(t / Float64(Float64(z * 3.0) * y)))
end

MATLAB

function tmp = code(x, y, z, t)
	tmp = (x - (y / (z * 3.0))) + (t / ((z * 3.0) * y));
end

Wolfram

code[x_, y_, z_, t_] := N[(N[(x - N[(y / N[(z * 3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] + N[(t / N[(N[(z * 3.0), $MachinePrecision] * y), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Alternative 1: 99.6% accurate, 0.6× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_1 := x - \frac{y}{z \cdot 3}\\ \mathbf{if}\;z \cdot 3 \leq -1 \cdot 10^{+21}:\\ \;\;\;\;t_1 + \frac{t}{\left(z \cdot 3\right) \cdot y}\\ \mathbf{elif}\;z \cdot 3 \leq 5 \cdot 10^{-41}:\\ \;\;\;\;x + \frac{1}{z} \cdot \frac{\frac{t}{y} - y}{3}\\ \mathbf{else}:\\ \;\;\;\;t_1 + \frac{t}{z \cdot \left(3 \cdot y\right)}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (let* ((t_1 (- x (/ y (* z 3.0)))))
   (if (<= (* z 3.0) -1e+21)
     (+ t_1 (/ t (* (* z 3.0) y)))
     (if (<= (* z 3.0) 5e-41)
       (+ x (* (/ 1.0 z) (/ (- (/ t y) y) 3.0)))
       (+ t_1 (/ t (* z (* 3.0 y))))))))

C

double code(double x, double y, double z, double t) {
	double t_1 = x - (y / (z * 3.0));
	double tmp;
	if ((z * 3.0) <= -1e+21) {
		tmp = t_1 + (t / ((z * 3.0) * y));
	} else if ((z * 3.0) <= 5e-41) {
		tmp = x + ((1.0 / z) * (((t / y) - y) / 3.0));
	} else {
		tmp = t_1 + (t / (z * (3.0 * y)));
	}
	return tmp;
}

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
    real(8) :: t_1
    real(8) :: tmp
    t_1 = x - (y / (z * 3.0d0))
    if ((z * 3.0d0) <= (-1d+21)) then
        tmp = t_1 + (t / ((z * 3.0d0) * y))
    else if ((z * 3.0d0) <= 5d-41) then
        tmp = x + ((1.0d0 / z) * (((t / y) - y) / 3.0d0))
    else
        tmp = t_1 + (t / (z * (3.0d0 * y)))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t) {
	double t_1 = x - (y / (z * 3.0));
	double tmp;
	if ((z * 3.0) <= -1e+21) {
		tmp = t_1 + (t / ((z * 3.0) * y));
	} else if ((z * 3.0) <= 5e-41) {
		tmp = x + ((1.0 / z) * (((t / y) - y) / 3.0));
	} else {
		tmp = t_1 + (t / (z * (3.0 * y)));
	}
	return tmp;
}

Python

def code(x, y, z, t):
	t_1 = x - (y / (z * 3.0))
	tmp = 0
	if (z * 3.0) <= -1e+21:
		tmp = t_1 + (t / ((z * 3.0) * y))
	elif (z * 3.0) <= 5e-41:
		tmp = x + ((1.0 / z) * (((t / y) - y) / 3.0))
	else:
		tmp = t_1 + (t / (z * (3.0 * y)))
	return tmp

Julia

function code(x, y, z, t)
	t_1 = Float64(x - Float64(y / Float64(z * 3.0)))
	tmp = 0.0
	if (Float64(z * 3.0) <= -1e+21)
		tmp = Float64(t_1 + Float64(t / Float64(Float64(z * 3.0) * y)));
	elseif (Float64(z * 3.0) <= 5e-41)
		tmp = Float64(x + Float64(Float64(1.0 / z) * Float64(Float64(Float64(t / y) - y) / 3.0)));
	else
		tmp = Float64(t_1 + Float64(t / Float64(z * Float64(3.0 * y))));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	t_1 = x - (y / (z * 3.0));
	tmp = 0.0;
	if ((z * 3.0) <= -1e+21)
		tmp = t_1 + (t / ((z * 3.0) * y));
	elseif ((z * 3.0) <= 5e-41)
		tmp = x + ((1.0 / z) * (((t / y) - y) / 3.0));
	else
		tmp = t_1 + (t / (z * (3.0 * y)));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := Block[{t$95$1 = N[(x - N[(y / N[(z * 3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]}, If[LessEqual[N[(z * 3.0), $MachinePrecision], -1e+21], N[(t$95$1 + N[(t / N[(N[(z * 3.0), $MachinePrecision] * y), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[N[(z * 3.0), $MachinePrecision], 5e-41], N[(x + N[(N[(1.0 / z), $MachinePrecision] * N[(N[(N[(t / y), $MachinePrecision] - y), $MachinePrecision] / 3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(t$95$1 + N[(t / N[(z * N[(3.0 * y), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]]

Derivation

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

Alternative 2: 99.6% accurate, 0.6× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;z \cdot 3 \leq -1000000000 \lor \neg \left(z \cdot 3 \leq 5 \cdot 10^{-41}\right):\\ \;\;\;\;\left(x - \frac{y}{z \cdot 3}\right) + \frac{t}{z \cdot \left(3 \cdot y\right)}\\ \mathbf{else}:\\ \;\;\;\;x + \frac{1}{z} \cdot \frac{\frac{t}{y} - y}{3}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (if (or (<= (* z 3.0) -1000000000.0) (not (<= (* z 3.0) 5e-41)))
   (+ (- x (/ y (* z 3.0))) (/ t (* z (* 3.0 y))))
   (+ x (* (/ 1.0 z) (/ (- (/ t y) y) 3.0)))))

C

double code(double x, double y, double z, double t) {
	double tmp;
	if (((z * 3.0) <= -1000000000.0) || !((z * 3.0) <= 5e-41)) {
		tmp = (x - (y / (z * 3.0))) + (t / (z * (3.0 * y)));
	} else {
		tmp = x + ((1.0 / z) * (((t / y) - y) / 3.0));
	}
	return tmp;
}

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
    real(8) :: tmp
    if (((z * 3.0d0) <= (-1000000000.0d0)) .or. (.not. ((z * 3.0d0) <= 5d-41))) then
        tmp = (x - (y / (z * 3.0d0))) + (t / (z * (3.0d0 * y)))
    else
        tmp = x + ((1.0d0 / z) * (((t / y) - y) / 3.0d0))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t) {
	double tmp;
	if (((z * 3.0) <= -1000000000.0) || !((z * 3.0) <= 5e-41)) {
		tmp = (x - (y / (z * 3.0))) + (t / (z * (3.0 * y)));
	} else {
		tmp = x + ((1.0 / z) * (((t / y) - y) / 3.0));
	}
	return tmp;
}

Python

def code(x, y, z, t):
	tmp = 0
	if ((z * 3.0) <= -1000000000.0) or not ((z * 3.0) <= 5e-41):
		tmp = (x - (y / (z * 3.0))) + (t / (z * (3.0 * y)))
	else:
		tmp = x + ((1.0 / z) * (((t / y) - y) / 3.0))
	return tmp

Julia

function code(x, y, z, t)
	tmp = 0.0
	if ((Float64(z * 3.0) <= -1000000000.0) || !(Float64(z * 3.0) <= 5e-41))
		tmp = Float64(Float64(x - Float64(y / Float64(z * 3.0))) + Float64(t / Float64(z * Float64(3.0 * y))));
	else
		tmp = Float64(x + Float64(Float64(1.0 / z) * Float64(Float64(Float64(t / y) - y) / 3.0)));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	tmp = 0.0;
	if (((z * 3.0) <= -1000000000.0) || ~(((z * 3.0) <= 5e-41)))
		tmp = (x - (y / (z * 3.0))) + (t / (z * (3.0 * y)));
	else
		tmp = x + ((1.0 / z) * (((t / y) - y) / 3.0));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := If[Or[LessEqual[N[(z * 3.0), $MachinePrecision], -1000000000.0], N[Not[LessEqual[N[(z * 3.0), $MachinePrecision], 5e-41]], $MachinePrecision]], N[(N[(x - N[(y / N[(z * 3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] + N[(t / N[(z * N[(3.0 * y), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x + N[(N[(1.0 / z), $MachinePrecision] * N[(N[(N[(t / y), $MachinePrecision] - y), $MachinePrecision] / 3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]

Derivation

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

Alternative 3: 91.2% accurate, 0.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_1 := x - \frac{\frac{y}{3}}{z}\\ \mathbf{if}\;y \leq -19000:\\ \;\;\;\;t_1\\ \mathbf{elif}\;y \leq 5.5 \cdot 10^{-55}:\\ \;\;\;\;x + 0.3333333333333333 \cdot \frac{\frac{t}{z}}{y}\\ \mathbf{elif}\;y \leq 1.96 \cdot 10^{-19}:\\ \;\;\;\;x - 0.3333333333333333 \cdot \frac{y}{z}\\ \mathbf{elif}\;y \leq 2.5 \cdot 10^{+59}:\\ \;\;\;\;x + 0.3333333333333333 \cdot \frac{t}{z \cdot y}\\ \mathbf{elif}\;y \leq 5 \cdot 10^{+123}:\\ \;\;\;\;x + \frac{1}{\frac{z}{y \cdot -0.3333333333333333}}\\ \mathbf{else}:\\ \;\;\;\;t_1\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (let* ((t_1 (- x (/ (/ y 3.0) z))))
   (if (<= y -19000.0)
     t_1
     (if (<= y 5.5e-55)
       (+ x (* 0.3333333333333333 (/ (/ t z) y)))
       (if (<= y 1.96e-19)
         (- x (* 0.3333333333333333 (/ y z)))
         (if (<= y 2.5e+59)
           (+ x (* 0.3333333333333333 (/ t (* z y))))
           (if (<= y 5e+123)
             (+ x (/ 1.0 (/ z (* y -0.3333333333333333))))
             t_1)))))))

C

double code(double x, double y, double z, double t) {
	double t_1 = x - ((y / 3.0) / z);
	double tmp;
	if (y <= -19000.0) {
		tmp = t_1;
	} else if (y <= 5.5e-55) {
		tmp = x + (0.3333333333333333 * ((t / z) / y));
	} else if (y <= 1.96e-19) {
		tmp = x - (0.3333333333333333 * (y / z));
	} else if (y <= 2.5e+59) {
		tmp = x + (0.3333333333333333 * (t / (z * y)));
	} else if (y <= 5e+123) {
		tmp = x + (1.0 / (z / (y * -0.3333333333333333)));
	} else {
		tmp = t_1;
	}
	return tmp;
}

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
    real(8) :: t_1
    real(8) :: tmp
    t_1 = x - ((y / 3.0d0) / z)
    if (y <= (-19000.0d0)) then
        tmp = t_1
    else if (y <= 5.5d-55) then
        tmp = x + (0.3333333333333333d0 * ((t / z) / y))
    else if (y <= 1.96d-19) then
        tmp = x - (0.3333333333333333d0 * (y / z))
    else if (y <= 2.5d+59) then
        tmp = x + (0.3333333333333333d0 * (t / (z * y)))
    else if (y <= 5d+123) then
        tmp = x + (1.0d0 / (z / (y * (-0.3333333333333333d0))))
    else
        tmp = t_1
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t) {
	double t_1 = x - ((y / 3.0) / z);
	double tmp;
	if (y <= -19000.0) {
		tmp = t_1;
	} else if (y <= 5.5e-55) {
		tmp = x + (0.3333333333333333 * ((t / z) / y));
	} else if (y <= 1.96e-19) {
		tmp = x - (0.3333333333333333 * (y / z));
	} else if (y <= 2.5e+59) {
		tmp = x + (0.3333333333333333 * (t / (z * y)));
	} else if (y <= 5e+123) {
		tmp = x + (1.0 / (z / (y * -0.3333333333333333)));
	} else {
		tmp = t_1;
	}
	return tmp;
}

Python

def code(x, y, z, t):
	t_1 = x - ((y / 3.0) / z)
	tmp = 0
	if y <= -19000.0:
		tmp = t_1
	elif y <= 5.5e-55:
		tmp = x + (0.3333333333333333 * ((t / z) / y))
	elif y <= 1.96e-19:
		tmp = x - (0.3333333333333333 * (y / z))
	elif y <= 2.5e+59:
		tmp = x + (0.3333333333333333 * (t / (z * y)))
	elif y <= 5e+123:
		tmp = x + (1.0 / (z / (y * -0.3333333333333333)))
	else:
		tmp = t_1
	return tmp

Julia

function code(x, y, z, t)
	t_1 = Float64(x - Float64(Float64(y / 3.0) / z))
	tmp = 0.0
	if (y <= -19000.0)
		tmp = t_1;
	elseif (y <= 5.5e-55)
		tmp = Float64(x + Float64(0.3333333333333333 * Float64(Float64(t / z) / y)));
	elseif (y <= 1.96e-19)
		tmp = Float64(x - Float64(0.3333333333333333 * Float64(y / z)));
	elseif (y <= 2.5e+59)
		tmp = Float64(x + Float64(0.3333333333333333 * Float64(t / Float64(z * y))));
	elseif (y <= 5e+123)
		tmp = Float64(x + Float64(1.0 / Float64(z / Float64(y * -0.3333333333333333))));
	else
		tmp = t_1;
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	t_1 = x - ((y / 3.0) / z);
	tmp = 0.0;
	if (y <= -19000.0)
		tmp = t_1;
	elseif (y <= 5.5e-55)
		tmp = x + (0.3333333333333333 * ((t / z) / y));
	elseif (y <= 1.96e-19)
		tmp = x - (0.3333333333333333 * (y / z));
	elseif (y <= 2.5e+59)
		tmp = x + (0.3333333333333333 * (t / (z * y)));
	elseif (y <= 5e+123)
		tmp = x + (1.0 / (z / (y * -0.3333333333333333)));
	else
		tmp = t_1;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := Block[{t$95$1 = N[(x - N[(N[(y / 3.0), $MachinePrecision] / z), $MachinePrecision]), $MachinePrecision]}, If[LessEqual[y, -19000.0], t$95$1, If[LessEqual[y, 5.5e-55], N[(x + N[(0.3333333333333333 * N[(N[(t / z), $MachinePrecision] / y), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[y, 1.96e-19], N[(x - N[(0.3333333333333333 * N[(y / z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[y, 2.5e+59], N[(x + N[(0.3333333333333333 * N[(t / N[(z * y), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[y, 5e+123], N[(x + N[(1.0 / N[(z / N[(y * -0.3333333333333333), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], t$95$1]]]]]]

Derivation

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

Alternative 4: 88.8% accurate, 0.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_1 := x + 0.3333333333333333 \cdot \frac{t}{z \cdot y}\\ t_2 := x - \frac{\frac{y}{3}}{z}\\ \mathbf{if}\;y \leq -19000:\\ \;\;\;\;t_2\\ \mathbf{elif}\;y \leq 5.5 \cdot 10^{-55}:\\ \;\;\;\;t_1\\ \mathbf{elif}\;y \leq 2.15 \cdot 10^{-19}:\\ \;\;\;\;x - 0.3333333333333333 \cdot \frac{y}{z}\\ \mathbf{elif}\;y \leq 2.45 \cdot 10^{+59}:\\ \;\;\;\;t_1\\ \mathbf{elif}\;y \leq 3.35 \cdot 10^{+177}:\\ \;\;\;\;x + \frac{0.3333333333333333}{\frac{-z}{y}}\\ \mathbf{else}:\\ \;\;\;\;t_2\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (let* ((t_1 (+ x (* 0.3333333333333333 (/ t (* z y)))))
        (t_2 (- x (/ (/ y 3.0) z))))
   (if (<= y -19000.0)
     t_2
     (if (<= y 5.5e-55)
       t_1
       (if (<= y 2.15e-19)
         (- x (* 0.3333333333333333 (/ y z)))
         (if (<= y 2.45e+59)
           t_1
           (if (<= y 3.35e+177)
             (+ x (/ 0.3333333333333333 (/ (- z) y)))
             t_2)))))))

C

double code(double x, double y, double z, double t) {
	double t_1 = x + (0.3333333333333333 * (t / (z * y)));
	double t_2 = x - ((y / 3.0) / z);
	double tmp;
	if (y <= -19000.0) {
		tmp = t_2;
	} else if (y <= 5.5e-55) {
		tmp = t_1;
	} else if (y <= 2.15e-19) {
		tmp = x - (0.3333333333333333 * (y / z));
	} else if (y <= 2.45e+59) {
		tmp = t_1;
	} else if (y <= 3.35e+177) {
		tmp = x + (0.3333333333333333 / (-z / y));
	} else {
		tmp = t_2;
	}
	return tmp;
}

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
    real(8) :: t_1
    real(8) :: t_2
    real(8) :: tmp
    t_1 = x + (0.3333333333333333d0 * (t / (z * y)))
    t_2 = x - ((y / 3.0d0) / z)
    if (y <= (-19000.0d0)) then
        tmp = t_2
    else if (y <= 5.5d-55) then
        tmp = t_1
    else if (y <= 2.15d-19) then
        tmp = x - (0.3333333333333333d0 * (y / z))
    else if (y <= 2.45d+59) then
        tmp = t_1
    else if (y <= 3.35d+177) then
        tmp = x + (0.3333333333333333d0 / (-z / y))
    else
        tmp = t_2
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t) {
	double t_1 = x + (0.3333333333333333 * (t / (z * y)));
	double t_2 = x - ((y / 3.0) / z);
	double tmp;
	if (y <= -19000.0) {
		tmp = t_2;
	} else if (y <= 5.5e-55) {
		tmp = t_1;
	} else if (y <= 2.15e-19) {
		tmp = x - (0.3333333333333333 * (y / z));
	} else if (y <= 2.45e+59) {
		tmp = t_1;
	} else if (y <= 3.35e+177) {
		tmp = x + (0.3333333333333333 / (-z / y));
	} else {
		tmp = t_2;
	}
	return tmp;
}

Python

def code(x, y, z, t):
	t_1 = x + (0.3333333333333333 * (t / (z * y)))
	t_2 = x - ((y / 3.0) / z)
	tmp = 0
	if y <= -19000.0:
		tmp = t_2
	elif y <= 5.5e-55:
		tmp = t_1
	elif y <= 2.15e-19:
		tmp = x - (0.3333333333333333 * (y / z))
	elif y <= 2.45e+59:
		tmp = t_1
	elif y <= 3.35e+177:
		tmp = x + (0.3333333333333333 / (-z / y))
	else:
		tmp = t_2
	return tmp

Julia

function code(x, y, z, t)
	t_1 = Float64(x + Float64(0.3333333333333333 * Float64(t / Float64(z * y))))
	t_2 = Float64(x - Float64(Float64(y / 3.0) / z))
	tmp = 0.0
	if (y <= -19000.0)
		tmp = t_2;
	elseif (y <= 5.5e-55)
		tmp = t_1;
	elseif (y <= 2.15e-19)
		tmp = Float64(x - Float64(0.3333333333333333 * Float64(y / z)));
	elseif (y <= 2.45e+59)
		tmp = t_1;
	elseif (y <= 3.35e+177)
		tmp = Float64(x + Float64(0.3333333333333333 / Float64(Float64(-z) / y)));
	else
		tmp = t_2;
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	t_1 = x + (0.3333333333333333 * (t / (z * y)));
	t_2 = x - ((y / 3.0) / z);
	tmp = 0.0;
	if (y <= -19000.0)
		tmp = t_2;
	elseif (y <= 5.5e-55)
		tmp = t_1;
	elseif (y <= 2.15e-19)
		tmp = x - (0.3333333333333333 * (y / z));
	elseif (y <= 2.45e+59)
		tmp = t_1;
	elseif (y <= 3.35e+177)
		tmp = x + (0.3333333333333333 / (-z / y));
	else
		tmp = t_2;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := Block[{t$95$1 = N[(x + N[(0.3333333333333333 * N[(t / N[(z * y), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]}, Block[{t$95$2 = N[(x - N[(N[(y / 3.0), $MachinePrecision] / z), $MachinePrecision]), $MachinePrecision]}, If[LessEqual[y, -19000.0], t$95$2, If[LessEqual[y, 5.5e-55], t$95$1, If[LessEqual[y, 2.15e-19], N[(x - N[(0.3333333333333333 * N[(y / z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[y, 2.45e+59], t$95$1, If[LessEqual[y, 3.35e+177], N[(x + N[(0.3333333333333333 / N[((-z) / y), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], t$95$2]]]]]]]

Derivation

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

Alternative 5: 91.2% accurate, 0.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_1 := x - \frac{\frac{y}{3}}{z}\\ \mathbf{if}\;y \leq -22000:\\ \;\;\;\;t_1\\ \mathbf{elif}\;y \leq 5.5 \cdot 10^{-55}:\\ \;\;\;\;x + 0.3333333333333333 \cdot \frac{\frac{t}{z}}{y}\\ \mathbf{elif}\;y \leq 2.15 \cdot 10^{-19}:\\ \;\;\;\;x - 0.3333333333333333 \cdot \frac{y}{z}\\ \mathbf{elif}\;y \leq 2.4 \cdot 10^{+59}:\\ \;\;\;\;x + 0.3333333333333333 \cdot \frac{t}{z \cdot y}\\ \mathbf{elif}\;y \leq 5 \cdot 10^{+177}:\\ \;\;\;\;x + \frac{0.3333333333333333}{\frac{-z}{y}}\\ \mathbf{else}:\\ \;\;\;\;t_1\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (let* ((t_1 (- x (/ (/ y 3.0) z))))
   (if (<= y -22000.0)
     t_1
     (if (<= y 5.5e-55)
       (+ x (* 0.3333333333333333 (/ (/ t z) y)))
       (if (<= y 2.15e-19)
         (- x (* 0.3333333333333333 (/ y z)))
         (if (<= y 2.4e+59)
           (+ x (* 0.3333333333333333 (/ t (* z y))))
           (if (<= y 5e+177)
             (+ x (/ 0.3333333333333333 (/ (- z) y)))
             t_1)))))))

C

double code(double x, double y, double z, double t) {
	double t_1 = x - ((y / 3.0) / z);
	double tmp;
	if (y <= -22000.0) {
		tmp = t_1;
	} else if (y <= 5.5e-55) {
		tmp = x + (0.3333333333333333 * ((t / z) / y));
	} else if (y <= 2.15e-19) {
		tmp = x - (0.3333333333333333 * (y / z));
	} else if (y <= 2.4e+59) {
		tmp = x + (0.3333333333333333 * (t / (z * y)));
	} else if (y <= 5e+177) {
		tmp = x + (0.3333333333333333 / (-z / y));
	} else {
		tmp = t_1;
	}
	return tmp;
}

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
    real(8) :: t_1
    real(8) :: tmp
    t_1 = x - ((y / 3.0d0) / z)
    if (y <= (-22000.0d0)) then
        tmp = t_1
    else if (y <= 5.5d-55) then
        tmp = x + (0.3333333333333333d0 * ((t / z) / y))
    else if (y <= 2.15d-19) then
        tmp = x - (0.3333333333333333d0 * (y / z))
    else if (y <= 2.4d+59) then
        tmp = x + (0.3333333333333333d0 * (t / (z * y)))
    else if (y <= 5d+177) then
        tmp = x + (0.3333333333333333d0 / (-z / y))
    else
        tmp = t_1
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t) {
	double t_1 = x - ((y / 3.0) / z);
	double tmp;
	if (y <= -22000.0) {
		tmp = t_1;
	} else if (y <= 5.5e-55) {
		tmp = x + (0.3333333333333333 * ((t / z) / y));
	} else if (y <= 2.15e-19) {
		tmp = x - (0.3333333333333333 * (y / z));
	} else if (y <= 2.4e+59) {
		tmp = x + (0.3333333333333333 * (t / (z * y)));
	} else if (y <= 5e+177) {
		tmp = x + (0.3333333333333333 / (-z / y));
	} else {
		tmp = t_1;
	}
	return tmp;
}

Python

def code(x, y, z, t):
	t_1 = x - ((y / 3.0) / z)
	tmp = 0
	if y <= -22000.0:
		tmp = t_1
	elif y <= 5.5e-55:
		tmp = x + (0.3333333333333333 * ((t / z) / y))
	elif y <= 2.15e-19:
		tmp = x - (0.3333333333333333 * (y / z))
	elif y <= 2.4e+59:
		tmp = x + (0.3333333333333333 * (t / (z * y)))
	elif y <= 5e+177:
		tmp = x + (0.3333333333333333 / (-z / y))
	else:
		tmp = t_1
	return tmp

Julia

function code(x, y, z, t)
	t_1 = Float64(x - Float64(Float64(y / 3.0) / z))
	tmp = 0.0
	if (y <= -22000.0)
		tmp = t_1;
	elseif (y <= 5.5e-55)
		tmp = Float64(x + Float64(0.3333333333333333 * Float64(Float64(t / z) / y)));
	elseif (y <= 2.15e-19)
		tmp = Float64(x - Float64(0.3333333333333333 * Float64(y / z)));
	elseif (y <= 2.4e+59)
		tmp = Float64(x + Float64(0.3333333333333333 * Float64(t / Float64(z * y))));
	elseif (y <= 5e+177)
		tmp = Float64(x + Float64(0.3333333333333333 / Float64(Float64(-z) / y)));
	else
		tmp = t_1;
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	t_1 = x - ((y / 3.0) / z);
	tmp = 0.0;
	if (y <= -22000.0)
		tmp = t_1;
	elseif (y <= 5.5e-55)
		tmp = x + (0.3333333333333333 * ((t / z) / y));
	elseif (y <= 2.15e-19)
		tmp = x - (0.3333333333333333 * (y / z));
	elseif (y <= 2.4e+59)
		tmp = x + (0.3333333333333333 * (t / (z * y)));
	elseif (y <= 5e+177)
		tmp = x + (0.3333333333333333 / (-z / y));
	else
		tmp = t_1;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := Block[{t$95$1 = N[(x - N[(N[(y / 3.0), $MachinePrecision] / z), $MachinePrecision]), $MachinePrecision]}, If[LessEqual[y, -22000.0], t$95$1, If[LessEqual[y, 5.5e-55], N[(x + N[(0.3333333333333333 * N[(N[(t / z), $MachinePrecision] / y), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[y, 2.15e-19], N[(x - N[(0.3333333333333333 * N[(y / z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[y, 2.4e+59], N[(x + N[(0.3333333333333333 * N[(t / N[(z * y), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[y, 5e+177], N[(x + N[(0.3333333333333333 / N[((-z) / y), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], t$95$1]]]]]]

Derivation

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

Alternative 6: 91.1% accurate, 0.9× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_1 := x - \frac{\frac{y}{3}}{z}\\ \mathbf{if}\;y \leq -21000:\\ \;\;\;\;t_1\\ \mathbf{elif}\;y \leq 5.5 \cdot 10^{-55}:\\ \;\;\;\;x + 0.3333333333333333 \cdot \frac{\frac{t}{z}}{y}\\ \mathbf{elif}\;y \leq 2.3 \cdot 10^{-19}:\\ \;\;\;\;x - 0.3333333333333333 \cdot \frac{y}{z}\\ \mathbf{elif}\;y \leq 2.45 \cdot 10^{+59}:\\ \;\;\;\;x + \frac{\frac{0.3333333333333333}{\frac{z}{t}}}{y}\\ \mathbf{else}:\\ \;\;\;\;t_1\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (let* ((t_1 (- x (/ (/ y 3.0) z))))
   (if (<= y -21000.0)
     t_1
     (if (<= y 5.5e-55)
       (+ x (* 0.3333333333333333 (/ (/ t z) y)))
       (if (<= y 2.3e-19)
         (- x (* 0.3333333333333333 (/ y z)))
         (if (<= y 2.45e+59)
           (+ x (/ (/ 0.3333333333333333 (/ z t)) y))
           t_1))))))

C

double code(double x, double y, double z, double t) {
	double t_1 = x - ((y / 3.0) / z);
	double tmp;
	if (y <= -21000.0) {
		tmp = t_1;
	} else if (y <= 5.5e-55) {
		tmp = x + (0.3333333333333333 * ((t / z) / y));
	} else if (y <= 2.3e-19) {
		tmp = x - (0.3333333333333333 * (y / z));
	} else if (y <= 2.45e+59) {
		tmp = x + ((0.3333333333333333 / (z / t)) / y);
	} else {
		tmp = t_1;
	}
	return tmp;
}

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
    real(8) :: t_1
    real(8) :: tmp
    t_1 = x - ((y / 3.0d0) / z)
    if (y <= (-21000.0d0)) then
        tmp = t_1
    else if (y <= 5.5d-55) then
        tmp = x + (0.3333333333333333d0 * ((t / z) / y))
    else if (y <= 2.3d-19) then
        tmp = x - (0.3333333333333333d0 * (y / z))
    else if (y <= 2.45d+59) then
        tmp = x + ((0.3333333333333333d0 / (z / t)) / y)
    else
        tmp = t_1
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t) {
	double t_1 = x - ((y / 3.0) / z);
	double tmp;
	if (y <= -21000.0) {
		tmp = t_1;
	} else if (y <= 5.5e-55) {
		tmp = x + (0.3333333333333333 * ((t / z) / y));
	} else if (y <= 2.3e-19) {
		tmp = x - (0.3333333333333333 * (y / z));
	} else if (y <= 2.45e+59) {
		tmp = x + ((0.3333333333333333 / (z / t)) / y);
	} else {
		tmp = t_1;
	}
	return tmp;
}

Python

def code(x, y, z, t):
	t_1 = x - ((y / 3.0) / z)
	tmp = 0
	if y <= -21000.0:
		tmp = t_1
	elif y <= 5.5e-55:
		tmp = x + (0.3333333333333333 * ((t / z) / y))
	elif y <= 2.3e-19:
		tmp = x - (0.3333333333333333 * (y / z))
	elif y <= 2.45e+59:
		tmp = x + ((0.3333333333333333 / (z / t)) / y)
	else:
		tmp = t_1
	return tmp

Julia

function code(x, y, z, t)
	t_1 = Float64(x - Float64(Float64(y / 3.0) / z))
	tmp = 0.0
	if (y <= -21000.0)
		tmp = t_1;
	elseif (y <= 5.5e-55)
		tmp = Float64(x + Float64(0.3333333333333333 * Float64(Float64(t / z) / y)));
	elseif (y <= 2.3e-19)
		tmp = Float64(x - Float64(0.3333333333333333 * Float64(y / z)));
	elseif (y <= 2.45e+59)
		tmp = Float64(x + Float64(Float64(0.3333333333333333 / Float64(z / t)) / y));
	else
		tmp = t_1;
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	t_1 = x - ((y / 3.0) / z);
	tmp = 0.0;
	if (y <= -21000.0)
		tmp = t_1;
	elseif (y <= 5.5e-55)
		tmp = x + (0.3333333333333333 * ((t / z) / y));
	elseif (y <= 2.3e-19)
		tmp = x - (0.3333333333333333 * (y / z));
	elseif (y <= 2.45e+59)
		tmp = x + ((0.3333333333333333 / (z / t)) / y);
	else
		tmp = t_1;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := Block[{t$95$1 = N[(x - N[(N[(y / 3.0), $MachinePrecision] / z), $MachinePrecision]), $MachinePrecision]}, If[LessEqual[y, -21000.0], t$95$1, If[LessEqual[y, 5.5e-55], N[(x + N[(0.3333333333333333 * N[(N[(t / z), $MachinePrecision] / y), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[y, 2.3e-19], N[(x - N[(0.3333333333333333 * N[(y / z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[y, 2.45e+59], N[(x + N[(N[(0.3333333333333333 / N[(z / t), $MachinePrecision]), $MachinePrecision] / y), $MachinePrecision]), $MachinePrecision], t$95$1]]]]]

Derivation

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

Alternative 7: 97.6% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;y \leq -7.5 \cdot 10^{-37} \lor \neg \left(y \leq 1.9 \cdot 10^{-118}\right):\\ \;\;\;\;x + 0.3333333333333333 \cdot \frac{\frac{t}{y} - y}{z}\\ \mathbf{else}:\\ \;\;\;\;x + 0.3333333333333333 \cdot \frac{\frac{t}{z}}{y}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (if (or (<= y -7.5e-37) (not (<= y 1.9e-118)))
   (+ x (* 0.3333333333333333 (/ (- (/ t y) y) z)))
   (+ x (* 0.3333333333333333 (/ (/ t z) y)))))

C

double code(double x, double y, double z, double t) {
	double tmp;
	if ((y <= -7.5e-37) || !(y <= 1.9e-118)) {
		tmp = x + (0.3333333333333333 * (((t / y) - y) / z));
	} else {
		tmp = x + (0.3333333333333333 * ((t / z) / y));
	}
	return tmp;
}

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
    real(8) :: tmp
    if ((y <= (-7.5d-37)) .or. (.not. (y <= 1.9d-118))) then
        tmp = x + (0.3333333333333333d0 * (((t / y) - y) / z))
    else
        tmp = x + (0.3333333333333333d0 * ((t / z) / y))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t) {
	double tmp;
	if ((y <= -7.5e-37) || !(y <= 1.9e-118)) {
		tmp = x + (0.3333333333333333 * (((t / y) - y) / z));
	} else {
		tmp = x + (0.3333333333333333 * ((t / z) / y));
	}
	return tmp;
}

Python

def code(x, y, z, t):
	tmp = 0
	if (y <= -7.5e-37) or not (y <= 1.9e-118):
		tmp = x + (0.3333333333333333 * (((t / y) - y) / z))
	else:
		tmp = x + (0.3333333333333333 * ((t / z) / y))
	return tmp

Julia

function code(x, y, z, t)
	tmp = 0.0
	if ((y <= -7.5e-37) || !(y <= 1.9e-118))
		tmp = Float64(x + Float64(0.3333333333333333 * Float64(Float64(Float64(t / y) - y) / z)));
	else
		tmp = Float64(x + Float64(0.3333333333333333 * Float64(Float64(t / z) / y)));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	tmp = 0.0;
	if ((y <= -7.5e-37) || ~((y <= 1.9e-118)))
		tmp = x + (0.3333333333333333 * (((t / y) - y) / z));
	else
		tmp = x + (0.3333333333333333 * ((t / z) / y));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := If[Or[LessEqual[y, -7.5e-37], N[Not[LessEqual[y, 1.9e-118]], $MachinePrecision]], N[(x + N[(0.3333333333333333 * N[(N[(N[(t / y), $MachinePrecision] - y), $MachinePrecision] / z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x + N[(0.3333333333333333 * N[(N[(t / z), $MachinePrecision] / y), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]

Derivation

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

Alternative 8: 97.6% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_1 := \frac{t}{y} - y\\ \mathbf{if}\;y \leq -7.5 \cdot 10^{-37}:\\ \;\;\;\;x + t_1 \cdot \frac{0.3333333333333333}{z}\\ \mathbf{elif}\;y \leq 4.4 \cdot 10^{-122}:\\ \;\;\;\;x + 0.3333333333333333 \cdot \frac{\frac{t}{z}}{y}\\ \mathbf{else}:\\ \;\;\;\;x + 0.3333333333333333 \cdot \frac{t_1}{z}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (let* ((t_1 (- (/ t y) y)))
   (if (<= y -7.5e-37)
     (+ x (* t_1 (/ 0.3333333333333333 z)))
     (if (<= y 4.4e-122)
       (+ x (* 0.3333333333333333 (/ (/ t z) y)))
       (+ x (* 0.3333333333333333 (/ t_1 z)))))))

C

double code(double x, double y, double z, double t) {
	double t_1 = (t / y) - y;
	double tmp;
	if (y <= -7.5e-37) {
		tmp = x + (t_1 * (0.3333333333333333 / z));
	} else if (y <= 4.4e-122) {
		tmp = x + (0.3333333333333333 * ((t / z) / y));
	} else {
		tmp = x + (0.3333333333333333 * (t_1 / z));
	}
	return tmp;
}

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
    real(8) :: t_1
    real(8) :: tmp
    t_1 = (t / y) - y
    if (y <= (-7.5d-37)) then
        tmp = x + (t_1 * (0.3333333333333333d0 / z))
    else if (y <= 4.4d-122) then
        tmp = x + (0.3333333333333333d0 * ((t / z) / y))
    else
        tmp = x + (0.3333333333333333d0 * (t_1 / z))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t) {
	double t_1 = (t / y) - y;
	double tmp;
	if (y <= -7.5e-37) {
		tmp = x + (t_1 * (0.3333333333333333 / z));
	} else if (y <= 4.4e-122) {
		tmp = x + (0.3333333333333333 * ((t / z) / y));
	} else {
		tmp = x + (0.3333333333333333 * (t_1 / z));
	}
	return tmp;
}

Python

def code(x, y, z, t):
	t_1 = (t / y) - y
	tmp = 0
	if y <= -7.5e-37:
		tmp = x + (t_1 * (0.3333333333333333 / z))
	elif y <= 4.4e-122:
		tmp = x + (0.3333333333333333 * ((t / z) / y))
	else:
		tmp = x + (0.3333333333333333 * (t_1 / z))
	return tmp

Julia

function code(x, y, z, t)
	t_1 = Float64(Float64(t / y) - y)
	tmp = 0.0
	if (y <= -7.5e-37)
		tmp = Float64(x + Float64(t_1 * Float64(0.3333333333333333 / z)));
	elseif (y <= 4.4e-122)
		tmp = Float64(x + Float64(0.3333333333333333 * Float64(Float64(t / z) / y)));
	else
		tmp = Float64(x + Float64(0.3333333333333333 * Float64(t_1 / z)));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	t_1 = (t / y) - y;
	tmp = 0.0;
	if (y <= -7.5e-37)
		tmp = x + (t_1 * (0.3333333333333333 / z));
	elseif (y <= 4.4e-122)
		tmp = x + (0.3333333333333333 * ((t / z) / y));
	else
		tmp = x + (0.3333333333333333 * (t_1 / z));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := Block[{t$95$1 = N[(N[(t / y), $MachinePrecision] - y), $MachinePrecision]}, If[LessEqual[y, -7.5e-37], N[(x + N[(t$95$1 * N[(0.3333333333333333 / z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[y, 4.4e-122], N[(x + N[(0.3333333333333333 * N[(N[(t / z), $MachinePrecision] / y), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x + N[(0.3333333333333333 * N[(t$95$1 / z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]]

Derivation

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

Alternative 9: 97.6% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_1 := \frac{t}{y} - y\\ \mathbf{if}\;y \leq -6.5 \cdot 10^{-36}:\\ \;\;\;\;x + \frac{t_1}{z \cdot 3}\\ \mathbf{elif}\;y \leq 1.05 \cdot 10^{-116}:\\ \;\;\;\;x + 0.3333333333333333 \cdot \frac{\frac{t}{z}}{y}\\ \mathbf{else}:\\ \;\;\;\;x + 0.3333333333333333 \cdot \frac{t_1}{z}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (let* ((t_1 (- (/ t y) y)))
   (if (<= y -6.5e-36)
     (+ x (/ t_1 (* z 3.0)))
     (if (<= y 1.05e-116)
       (+ x (* 0.3333333333333333 (/ (/ t z) y)))
       (+ x (* 0.3333333333333333 (/ t_1 z)))))))

C

double code(double x, double y, double z, double t) {
	double t_1 = (t / y) - y;
	double tmp;
	if (y <= -6.5e-36) {
		tmp = x + (t_1 / (z * 3.0));
	} else if (y <= 1.05e-116) {
		tmp = x + (0.3333333333333333 * ((t / z) / y));
	} else {
		tmp = x + (0.3333333333333333 * (t_1 / z));
	}
	return tmp;
}

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
    real(8) :: t_1
    real(8) :: tmp
    t_1 = (t / y) - y
    if (y <= (-6.5d-36)) then
        tmp = x + (t_1 / (z * 3.0d0))
    else if (y <= 1.05d-116) then
        tmp = x + (0.3333333333333333d0 * ((t / z) / y))
    else
        tmp = x + (0.3333333333333333d0 * (t_1 / z))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t) {
	double t_1 = (t / y) - y;
	double tmp;
	if (y <= -6.5e-36) {
		tmp = x + (t_1 / (z * 3.0));
	} else if (y <= 1.05e-116) {
		tmp = x + (0.3333333333333333 * ((t / z) / y));
	} else {
		tmp = x + (0.3333333333333333 * (t_1 / z));
	}
	return tmp;
}

Python

def code(x, y, z, t):
	t_1 = (t / y) - y
	tmp = 0
	if y <= -6.5e-36:
		tmp = x + (t_1 / (z * 3.0))
	elif y <= 1.05e-116:
		tmp = x + (0.3333333333333333 * ((t / z) / y))
	else:
		tmp = x + (0.3333333333333333 * (t_1 / z))
	return tmp

Julia

function code(x, y, z, t)
	t_1 = Float64(Float64(t / y) - y)
	tmp = 0.0
	if (y <= -6.5e-36)
		tmp = Float64(x + Float64(t_1 / Float64(z * 3.0)));
	elseif (y <= 1.05e-116)
		tmp = Float64(x + Float64(0.3333333333333333 * Float64(Float64(t / z) / y)));
	else
		tmp = Float64(x + Float64(0.3333333333333333 * Float64(t_1 / z)));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	t_1 = (t / y) - y;
	tmp = 0.0;
	if (y <= -6.5e-36)
		tmp = x + (t_1 / (z * 3.0));
	elseif (y <= 1.05e-116)
		tmp = x + (0.3333333333333333 * ((t / z) / y));
	else
		tmp = x + (0.3333333333333333 * (t_1 / z));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := Block[{t$95$1 = N[(N[(t / y), $MachinePrecision] - y), $MachinePrecision]}, If[LessEqual[y, -6.5e-36], N[(x + N[(t$95$1 / N[(z * 3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[y, 1.05e-116], N[(x + N[(0.3333333333333333 * N[(N[(t / z), $MachinePrecision] / y), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x + N[(0.3333333333333333 * N[(t$95$1 / z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]]

Derivation

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

Alternative 10: 47.8% accurate, 1.6× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;y \leq -2.7 \cdot 10^{+59} \lor \neg \left(y \leq 2 \cdot 10^{+51}\right):\\ \;\;\;\;\frac{y}{z} \cdot -0.3333333333333333\\ \mathbf{else}:\\ \;\;\;\;x\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (if (or (<= y -2.7e+59) (not (<= y 2e+51)))
   (* (/ y z) -0.3333333333333333)
   x))

C

double code(double x, double y, double z, double t) {
	double tmp;
	if ((y <= -2.7e+59) || !(y <= 2e+51)) {
		tmp = (y / z) * -0.3333333333333333;
	} else {
		tmp = x;
	}
	return tmp;
}

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
    real(8) :: tmp
    if ((y <= (-2.7d+59)) .or. (.not. (y <= 2d+51))) then
        tmp = (y / z) * (-0.3333333333333333d0)
    else
        tmp = x
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t) {
	double tmp;
	if ((y <= -2.7e+59) || !(y <= 2e+51)) {
		tmp = (y / z) * -0.3333333333333333;
	} else {
		tmp = x;
	}
	return tmp;
}

Python

def code(x, y, z, t):
	tmp = 0
	if (y <= -2.7e+59) or not (y <= 2e+51):
		tmp = (y / z) * -0.3333333333333333
	else:
		tmp = x
	return tmp

Julia

function code(x, y, z, t)
	tmp = 0.0
	if ((y <= -2.7e+59) || !(y <= 2e+51))
		tmp = Float64(Float64(y / z) * -0.3333333333333333);
	else
		tmp = x;
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	tmp = 0.0;
	if ((y <= -2.7e+59) || ~((y <= 2e+51)))
		tmp = (y / z) * -0.3333333333333333;
	else
		tmp = x;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := If[Or[LessEqual[y, -2.7e+59], N[Not[LessEqual[y, 2e+51]], $MachinePrecision]], N[(N[(y / z), $MachinePrecision] * -0.3333333333333333), $MachinePrecision], x]

Derivation

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

Alternative 11: 47.9% accurate, 1.6× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;y \leq -5.4 \cdot 10^{+58}:\\ \;\;\;\;\frac{y}{z} \cdot -0.3333333333333333\\ \mathbf{elif}\;y \leq 3.6 \cdot 10^{+47}:\\ \;\;\;\;x\\ \mathbf{else}:\\ \;\;\;\;\frac{-0.3333333333333333}{\frac{z}{y}}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (if (<= y -5.4e+58)
   (* (/ y z) -0.3333333333333333)
   (if (<= y 3.6e+47) x (/ -0.3333333333333333 (/ z y)))))

C

double code(double x, double y, double z, double t) {
	double tmp;
	if (y <= -5.4e+58) {
		tmp = (y / z) * -0.3333333333333333;
	} else if (y <= 3.6e+47) {
		tmp = x;
	} else {
		tmp = -0.3333333333333333 / (z / y);
	}
	return tmp;
}

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
    real(8) :: tmp
    if (y <= (-5.4d+58)) then
        tmp = (y / z) * (-0.3333333333333333d0)
    else if (y <= 3.6d+47) then
        tmp = x
    else
        tmp = (-0.3333333333333333d0) / (z / y)
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t) {
	double tmp;
	if (y <= -5.4e+58) {
		tmp = (y / z) * -0.3333333333333333;
	} else if (y <= 3.6e+47) {
		tmp = x;
	} else {
		tmp = -0.3333333333333333 / (z / y);
	}
	return tmp;
}

Python

def code(x, y, z, t):
	tmp = 0
	if y <= -5.4e+58:
		tmp = (y / z) * -0.3333333333333333
	elif y <= 3.6e+47:
		tmp = x
	else:
		tmp = -0.3333333333333333 / (z / y)
	return tmp

Julia

function code(x, y, z, t)
	tmp = 0.0
	if (y <= -5.4e+58)
		tmp = Float64(Float64(y / z) * -0.3333333333333333);
	elseif (y <= 3.6e+47)
		tmp = x;
	else
		tmp = Float64(-0.3333333333333333 / Float64(z / y));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	tmp = 0.0;
	if (y <= -5.4e+58)
		tmp = (y / z) * -0.3333333333333333;
	elseif (y <= 3.6e+47)
		tmp = x;
	else
		tmp = -0.3333333333333333 / (z / y);
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := If[LessEqual[y, -5.4e+58], N[(N[(y / z), $MachinePrecision] * -0.3333333333333333), $MachinePrecision], If[LessEqual[y, 3.6e+47], x, N[(-0.3333333333333333 / N[(z / y), $MachinePrecision]), $MachinePrecision]]]

Derivation

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

Alternative 12: 47.8% accurate, 1.6× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;y \leq -1.4 \cdot 10^{+59}:\\ \;\;\;\;\frac{y}{\frac{z}{-0.3333333333333333}}\\ \mathbf{elif}\;y \leq 6.5 \cdot 10^{+52}:\\ \;\;\;\;x\\ \mathbf{else}:\\ \;\;\;\;\frac{-0.3333333333333333}{\frac{z}{y}}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (if (<= y -1.4e+59)
   (/ y (/ z -0.3333333333333333))
   (if (<= y 6.5e+52) x (/ -0.3333333333333333 (/ z y)))))

C

double code(double x, double y, double z, double t) {
	double tmp;
	if (y <= -1.4e+59) {
		tmp = y / (z / -0.3333333333333333);
	} else if (y <= 6.5e+52) {
		tmp = x;
	} else {
		tmp = -0.3333333333333333 / (z / y);
	}
	return tmp;
}

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
    real(8) :: tmp
    if (y <= (-1.4d+59)) then
        tmp = y / (z / (-0.3333333333333333d0))
    else if (y <= 6.5d+52) then
        tmp = x
    else
        tmp = (-0.3333333333333333d0) / (z / y)
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t) {
	double tmp;
	if (y <= -1.4e+59) {
		tmp = y / (z / -0.3333333333333333);
	} else if (y <= 6.5e+52) {
		tmp = x;
	} else {
		tmp = -0.3333333333333333 / (z / y);
	}
	return tmp;
}

Python

def code(x, y, z, t):
	tmp = 0
	if y <= -1.4e+59:
		tmp = y / (z / -0.3333333333333333)
	elif y <= 6.5e+52:
		tmp = x
	else:
		tmp = -0.3333333333333333 / (z / y)
	return tmp

Julia

function code(x, y, z, t)
	tmp = 0.0
	if (y <= -1.4e+59)
		tmp = Float64(y / Float64(z / -0.3333333333333333));
	elseif (y <= 6.5e+52)
		tmp = x;
	else
		tmp = Float64(-0.3333333333333333 / Float64(z / y));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	tmp = 0.0;
	if (y <= -1.4e+59)
		tmp = y / (z / -0.3333333333333333);
	elseif (y <= 6.5e+52)
		tmp = x;
	else
		tmp = -0.3333333333333333 / (z / y);
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := If[LessEqual[y, -1.4e+59], N[(y / N[(z / -0.3333333333333333), $MachinePrecision]), $MachinePrecision], If[LessEqual[y, 6.5e+52], x, N[(-0.3333333333333333 / N[(z / y), $MachinePrecision]), $MachinePrecision]]]

Derivation

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

Alternative 13: 47.8% accurate, 1.6× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;y \leq -5 \cdot 10^{+58}:\\ \;\;\;\;\frac{y}{\frac{z}{-0.3333333333333333}}\\ \mathbf{elif}\;y \leq 1.1 \cdot 10^{+55}:\\ \;\;\;\;x\\ \mathbf{else}:\\ \;\;\;\;\frac{y \cdot -0.3333333333333333}{z}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (if (<= y -5e+58)
   (/ y (/ z -0.3333333333333333))
   (if (<= y 1.1e+55) x (/ (* y -0.3333333333333333) z))))

C

double code(double x, double y, double z, double t) {
	double tmp;
	if (y <= -5e+58) {
		tmp = y / (z / -0.3333333333333333);
	} else if (y <= 1.1e+55) {
		tmp = x;
	} else {
		tmp = (y * -0.3333333333333333) / z;
	}
	return tmp;
}

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
    real(8) :: tmp
    if (y <= (-5d+58)) then
        tmp = y / (z / (-0.3333333333333333d0))
    else if (y <= 1.1d+55) then
        tmp = x
    else
        tmp = (y * (-0.3333333333333333d0)) / z
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t) {
	double tmp;
	if (y <= -5e+58) {
		tmp = y / (z / -0.3333333333333333);
	} else if (y <= 1.1e+55) {
		tmp = x;
	} else {
		tmp = (y * -0.3333333333333333) / z;
	}
	return tmp;
}

Python

def code(x, y, z, t):
	tmp = 0
	if y <= -5e+58:
		tmp = y / (z / -0.3333333333333333)
	elif y <= 1.1e+55:
		tmp = x
	else:
		tmp = (y * -0.3333333333333333) / z
	return tmp

Julia

function code(x, y, z, t)
	tmp = 0.0
	if (y <= -5e+58)
		tmp = Float64(y / Float64(z / -0.3333333333333333));
	elseif (y <= 1.1e+55)
		tmp = x;
	else
		tmp = Float64(Float64(y * -0.3333333333333333) / z);
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	tmp = 0.0;
	if (y <= -5e+58)
		tmp = y / (z / -0.3333333333333333);
	elseif (y <= 1.1e+55)
		tmp = x;
	else
		tmp = (y * -0.3333333333333333) / z;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := If[LessEqual[y, -5e+58], N[(y / N[(z / -0.3333333333333333), $MachinePrecision]), $MachinePrecision], If[LessEqual[y, 1.1e+55], x, N[(N[(y * -0.3333333333333333), $MachinePrecision] / z), $MachinePrecision]]]

Derivation

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

Alternative 14: 47.9% accurate, 1.6× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;y \leq -2.05 \cdot 10^{+58}:\\ \;\;\;\;\frac{\frac{y}{z}}{-3}\\ \mathbf{elif}\;y \leq 9.2 \cdot 10^{+48}:\\ \;\;\;\;x\\ \mathbf{else}:\\ \;\;\;\;\frac{y \cdot -0.3333333333333333}{z}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (if (<= y -2.05e+58)
   (/ (/ y z) -3.0)
   (if (<= y 9.2e+48) x (/ (* y -0.3333333333333333) z))))

C

double code(double x, double y, double z, double t) {
	double tmp;
	if (y <= -2.05e+58) {
		tmp = (y / z) / -3.0;
	} else if (y <= 9.2e+48) {
		tmp = x;
	} else {
		tmp = (y * -0.3333333333333333) / z;
	}
	return tmp;
}

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
    real(8) :: tmp
    if (y <= (-2.05d+58)) then
        tmp = (y / z) / (-3.0d0)
    else if (y <= 9.2d+48) then
        tmp = x
    else
        tmp = (y * (-0.3333333333333333d0)) / z
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t) {
	double tmp;
	if (y <= -2.05e+58) {
		tmp = (y / z) / -3.0;
	} else if (y <= 9.2e+48) {
		tmp = x;
	} else {
		tmp = (y * -0.3333333333333333) / z;
	}
	return tmp;
}

Python

def code(x, y, z, t):
	tmp = 0
	if y <= -2.05e+58:
		tmp = (y / z) / -3.0
	elif y <= 9.2e+48:
		tmp = x
	else:
		tmp = (y * -0.3333333333333333) / z
	return tmp

Julia

function code(x, y, z, t)
	tmp = 0.0
	if (y <= -2.05e+58)
		tmp = Float64(Float64(y / z) / -3.0);
	elseif (y <= 9.2e+48)
		tmp = x;
	else
		tmp = Float64(Float64(y * -0.3333333333333333) / z);
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	tmp = 0.0;
	if (y <= -2.05e+58)
		tmp = (y / z) / -3.0;
	elseif (y <= 9.2e+48)
		tmp = x;
	else
		tmp = (y * -0.3333333333333333) / z;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := If[LessEqual[y, -2.05e+58], N[(N[(y / z), $MachinePrecision] / -3.0), $MachinePrecision], If[LessEqual[y, 9.2e+48], x, N[(N[(y * -0.3333333333333333), $MachinePrecision] / z), $MachinePrecision]]]

Derivation

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

Alternative 15: 47.9% accurate, 1.6× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;y \leq -1.65 \cdot 10^{+59}:\\ \;\;\;\;\frac{-y}{z \cdot 3}\\ \mathbf{elif}\;y \leq 1.5 \cdot 10^{+50}:\\ \;\;\;\;x\\ \mathbf{else}:\\ \;\;\;\;\frac{y \cdot -0.3333333333333333}{z}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (if (<= y -1.65e+59)
   (/ (- y) (* z 3.0))
   (if (<= y 1.5e+50) x (/ (* y -0.3333333333333333) z))))

C

double code(double x, double y, double z, double t) {
	double tmp;
	if (y <= -1.65e+59) {
		tmp = -y / (z * 3.0);
	} else if (y <= 1.5e+50) {
		tmp = x;
	} else {
		tmp = (y * -0.3333333333333333) / z;
	}
	return tmp;
}

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
    real(8) :: tmp
    if (y <= (-1.65d+59)) then
        tmp = -y / (z * 3.0d0)
    else if (y <= 1.5d+50) then
        tmp = x
    else
        tmp = (y * (-0.3333333333333333d0)) / z
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t) {
	double tmp;
	if (y <= -1.65e+59) {
		tmp = -y / (z * 3.0);
	} else if (y <= 1.5e+50) {
		tmp = x;
	} else {
		tmp = (y * -0.3333333333333333) / z;
	}
	return tmp;
}

Python

def code(x, y, z, t):
	tmp = 0
	if y <= -1.65e+59:
		tmp = -y / (z * 3.0)
	elif y <= 1.5e+50:
		tmp = x
	else:
		tmp = (y * -0.3333333333333333) / z
	return tmp

Julia

function code(x, y, z, t)
	tmp = 0.0
	if (y <= -1.65e+59)
		tmp = Float64(Float64(-y) / Float64(z * 3.0));
	elseif (y <= 1.5e+50)
		tmp = x;
	else
		tmp = Float64(Float64(y * -0.3333333333333333) / z);
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	tmp = 0.0;
	if (y <= -1.65e+59)
		tmp = -y / (z * 3.0);
	elseif (y <= 1.5e+50)
		tmp = x;
	else
		tmp = (y * -0.3333333333333333) / z;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := If[LessEqual[y, -1.65e+59], N[((-y) / N[(z * 3.0), $MachinePrecision]), $MachinePrecision], If[LessEqual[y, 1.5e+50], x, N[(N[(y * -0.3333333333333333), $MachinePrecision] / z), $MachinePrecision]]]

Derivation

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

Alternative 16: 63.7% accurate, 2.1× speedup

Math

\[\begin{array}{l} \\ x + y \cdot \frac{-0.3333333333333333}{z} \end{array} \]

FPCore

(FPCore (x y z t) :precision binary64 (+ x (* y (/ -0.3333333333333333 z))))

C

double code(double x, double y, double z, double t) {
	return x + (y * (-0.3333333333333333 / z));
}

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 = x + (y * ((-0.3333333333333333d0) / z))
end function

Java

public static double code(double x, double y, double z, double t) {
	return x + (y * (-0.3333333333333333 / z));
}

Python

def code(x, y, z, t):
	return x + (y * (-0.3333333333333333 / z))

Julia

function code(x, y, z, t)
	return Float64(x + Float64(y * Float64(-0.3333333333333333 / z)))
end

MATLAB

function tmp = code(x, y, z, t)
	tmp = x + (y * (-0.3333333333333333 / z));
end

Wolfram

code[x_, y_, z_, t_] := N[(x + N[(y * N[(-0.3333333333333333 / z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

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

Alternative 17: 63.8% accurate, 2.1× speedup

Math

\[\begin{array}{l} \\ x - \frac{y}{z \cdot 3} \end{array} \]

FPCore

(FPCore (x y z t) :precision binary64 (- x (/ y (* z 3.0))))

C

double code(double x, double y, double z, double t) {
	return x - (y / (z * 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 = x - (y / (z * 3.0d0))
end function

Java

public static double code(double x, double y, double z, double t) {
	return x - (y / (z * 3.0));
}

Python

def code(x, y, z, t):
	return x - (y / (z * 3.0))

Julia

function code(x, y, z, t)
	return Float64(x - Float64(y / Float64(z * 3.0)))
end

MATLAB

function tmp = code(x, y, z, t)
	tmp = x - (y / (z * 3.0));
end

Wolfram

code[x_, y_, z_, t_] := N[(x - N[(y / N[(z * 3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

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

Alternative 18: 63.8% accurate, 2.1× speedup

Math

\[\begin{array}{l} \\ x - \frac{\frac{y}{3}}{z} \end{array} \]

FPCore

(FPCore (x y z t) :precision binary64 (- x (/ (/ y 3.0) z)))

C

double code(double x, double y, double z, double t) {
	return x - ((y / 3.0) / z);
}

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 = x - ((y / 3.0d0) / z)
end function

Java

public static double code(double x, double y, double z, double t) {
	return x - ((y / 3.0) / z);
}

Python

def code(x, y, z, t):
	return x - ((y / 3.0) / z)

Julia

function code(x, y, z, t)
	return Float64(x - Float64(Float64(y / 3.0) / z))
end

MATLAB

function tmp = code(x, y, z, t)
	tmp = x - ((y / 3.0) / z);
end

Wolfram

code[x_, y_, z_, t_] := N[(x - N[(N[(y / 3.0), $MachinePrecision] / z), $MachinePrecision]), $MachinePrecision]

Derivation

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

Alternative 19: 31.3% accurate, 15.0× speedup

Math

\[\begin{array}{l} \\ x \end{array} \]

FPCore

(FPCore (x y z t) :precision binary64 x)

C

double code(double x, double y, double z, double t) {
	return x;
}

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 = x
end function

Java

public static double code(double x, double y, double z, double t) {
	return x;
}

Python

def code(x, y, z, t):
	return x

Julia

function code(x, y, z, t)
	return x
end

MATLAB

function tmp = code(x, y, z, t)
	tmp = x;
end

Wolfram

code[x_, y_, z_, t_] := x

Derivation

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

Developer target: 96.0% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \left(x - \frac{y}{z \cdot 3}\right) + \frac{\frac{t}{z \cdot 3}}{y} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (+ (- x (/ y (* z 3.0))) (/ (/ t (* z 3.0)) y)))

C

double code(double x, double y, double z, double t) {
	return (x - (y / (z * 3.0))) + ((t / (z * 3.0)) / y);
}

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 = (x - (y / (z * 3.0d0))) + ((t / (z * 3.0d0)) / y)
end function

Java

public static double code(double x, double y, double z, double t) {
	return (x - (y / (z * 3.0))) + ((t / (z * 3.0)) / y);
}

Python

def code(x, y, z, t):
	return (x - (y / (z * 3.0))) + ((t / (z * 3.0)) / y)

Julia

function code(x, y, z, t)
	return Float64(Float64(x - Float64(y / Float64(z * 3.0))) + Float64(Float64(t / Float64(z * 3.0)) / y))
end

MATLAB

function tmp = code(x, y, z, t)
	tmp = (x - (y / (z * 3.0))) + ((t / (z * 3.0)) / y);
end

Wolfram

code[x_, y_, z_, t_] := N[(N[(x - N[(y / N[(z * 3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] + N[(N[(t / N[(z * 3.0), $MachinePrecision]), $MachinePrecision] / y), $MachinePrecision]), $MachinePrecision]

Reproduce

herbie shell --seed 2023343 
(FPCore (x y z t)
  :name "Diagrams.Solve.Polynomial:cubForm  from diagrams-solve-0.1, H"
  :precision binary64

  :herbie-target
  (+ (- x (/ y (* z 3.0))) (/ (/ t (* z 3.0)) y))

  (+ (- x (/ y (* z 3.0))) (/ t (* (* z 3.0) y))))