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

Percentage Accurate: 95.6% → 97.1%

Time: 11.6s

Alternatives: 19

Speedup: 1.4×

• 28.4% 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: 95.6% 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: 97.1% accurate, 0.9× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;t \leq 2 \cdot 10^{-47}:\\ \;\;\;\;x + \frac{\frac{t}{y} - y}{z \cdot 3}\\ \mathbf{else}:\\ \;\;\;\;\left(x - \frac{y}{z \cdot 3}\right) + \frac{t}{z \cdot \left(y \cdot 3\right)}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (if (<= t 2e-47)
   (+ x (/ (- (/ t y) y) (* z 3.0)))
   (+ (- x (/ y (* z 3.0))) (/ t (* z (* y 3.0))))))

C

double code(double x, double y, double z, double t) {
	double tmp;
	if (t <= 2e-47) {
		tmp = x + (((t / y) - y) / (z * 3.0));
	} else {
		tmp = (x - (y / (z * 3.0))) + (t / (z * (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 (t <= 2d-47) then
        tmp = x + (((t / y) - y) / (z * 3.0d0))
    else
        tmp = (x - (y / (z * 3.0d0))) + (t / (z * (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 (t <= 2e-47) {
		tmp = x + (((t / y) - y) / (z * 3.0));
	} else {
		tmp = (x - (y / (z * 3.0))) + (t / (z * (y * 3.0)));
	}
	return tmp;
}

Python

def code(x, y, z, t):
	tmp = 0
	if t <= 2e-47:
		tmp = x + (((t / y) - y) / (z * 3.0))
	else:
		tmp = (x - (y / (z * 3.0))) + (t / (z * (y * 3.0)))
	return tmp

Julia

function code(x, y, z, t)
	tmp = 0.0
	if (t <= 2e-47)
		tmp = Float64(x + Float64(Float64(Float64(t / y) - y) / Float64(z * 3.0)));
	else
		tmp = Float64(Float64(x - Float64(y / Float64(z * 3.0))) + Float64(t / Float64(z * Float64(y * 3.0))));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	tmp = 0.0;
	if (t <= 2e-47)
		tmp = x + (((t / y) - y) / (z * 3.0));
	else
		tmp = (x - (y / (z * 3.0))) + (t / (z * (y * 3.0)));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := If[LessEqual[t, 2e-47], N[(x + N[(N[(N[(t / y), $MachinePrecision] - y), $MachinePrecision] / N[(z * 3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(N[(x - N[(y / N[(z * 3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] + N[(t / N[(z * N[(y * 3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]

Derivation

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

Alternative 2: 97.3% accurate, 0.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;z \cdot 3 \leq -5 \cdot 10^{+16}:\\ \;\;\;\;x + \left(\frac{0.3333333333333333 \cdot \frac{t}{z}}{y} + -0.3333333333333333 \cdot \frac{y}{z}\right)\\ \mathbf{else}:\\ \;\;\;\;x + \frac{0.3333333333333333}{\frac{z}{\frac{t}{y} - y}}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (if (<= (* z 3.0) -5e+16)
   (+
    x
    (+ (/ (* 0.3333333333333333 (/ t z)) y) (* -0.3333333333333333 (/ y z))))
   (+ x (/ 0.3333333333333333 (/ z (- (/ t y) y))))))

C

double code(double x, double y, double z, double t) {
	double tmp;
	if ((z * 3.0) <= -5e+16) {
		tmp = x + (((0.3333333333333333 * (t / z)) / y) + (-0.3333333333333333 * (y / z)));
	} else {
		tmp = x + (0.3333333333333333 / (z / ((t / y) - 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 ((z * 3.0d0) <= (-5d+16)) then
        tmp = x + (((0.3333333333333333d0 * (t / z)) / y) + ((-0.3333333333333333d0) * (y / z)))
    else
        tmp = x + (0.3333333333333333d0 / (z / ((t / y) - y)))
    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) <= -5e+16) {
		tmp = x + (((0.3333333333333333 * (t / z)) / y) + (-0.3333333333333333 * (y / z)));
	} else {
		tmp = x + (0.3333333333333333 / (z / ((t / y) - y)));
	}
	return tmp;
}

Python

def code(x, y, z, t):
	tmp = 0
	if (z * 3.0) <= -5e+16:
		tmp = x + (((0.3333333333333333 * (t / z)) / y) + (-0.3333333333333333 * (y / z)))
	else:
		tmp = x + (0.3333333333333333 / (z / ((t / y) - y)))
	return tmp

Julia

function code(x, y, z, t)
	tmp = 0.0
	if (Float64(z * 3.0) <= -5e+16)
		tmp = Float64(x + Float64(Float64(Float64(0.3333333333333333 * Float64(t / z)) / y) + Float64(-0.3333333333333333 * Float64(y / z))));
	else
		tmp = Float64(x + Float64(0.3333333333333333 / Float64(z / Float64(Float64(t / y) - y))));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	tmp = 0.0;
	if ((z * 3.0) <= -5e+16)
		tmp = x + (((0.3333333333333333 * (t / z)) / y) + (-0.3333333333333333 * (y / z)));
	else
		tmp = x + (0.3333333333333333 / (z / ((t / y) - y)));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := If[LessEqual[N[(z * 3.0), $MachinePrecision], -5e+16], N[(x + N[(N[(N[(0.3333333333333333 * N[(t / z), $MachinePrecision]), $MachinePrecision] / y), $MachinePrecision] + N[(-0.3333333333333333 * N[(y / z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x + N[(0.3333333333333333 / N[(z / N[(N[(t / y), $MachinePrecision] - y), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]

Derivation

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

Alternative 3: 75.3% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_1 := x + y \cdot \frac{-0.3333333333333333}{z}\\ \mathbf{if}\;y \leq -0.0047:\\ \;\;\;\;t_1\\ \mathbf{elif}\;y \leq -2.1 \cdot 10^{-62}:\\ \;\;\;\;0.3333333333333333 \cdot \frac{t}{y \cdot z}\\ \mathbf{elif}\;y \leq -1.1 \cdot 10^{-84} \lor \neg \left(y \leq 3.7 \cdot 10^{-131}\right):\\ \;\;\;\;t_1\\ \mathbf{else}:\\ \;\;\;\;0.3333333333333333 \cdot \frac{\frac{t}{y}}{z}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (let* ((t_1 (+ x (* y (/ -0.3333333333333333 z)))))
   (if (<= y -0.0047)
     t_1
     (if (<= y -2.1e-62)
       (* 0.3333333333333333 (/ t (* y z)))
       (if (or (<= y -1.1e-84) (not (<= y 3.7e-131)))
         t_1
         (* 0.3333333333333333 (/ (/ t y) z)))))))

C

double code(double x, double y, double z, double t) {
	double t_1 = x + (y * (-0.3333333333333333 / z));
	double tmp;
	if (y <= -0.0047) {
		tmp = t_1;
	} else if (y <= -2.1e-62) {
		tmp = 0.3333333333333333 * (t / (y * z));
	} else if ((y <= -1.1e-84) || !(y <= 3.7e-131)) {
		tmp = t_1;
	} else {
		tmp = 0.3333333333333333 * ((t / y) / 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 = x + (y * ((-0.3333333333333333d0) / z))
    if (y <= (-0.0047d0)) then
        tmp = t_1
    else if (y <= (-2.1d-62)) then
        tmp = 0.3333333333333333d0 * (t / (y * z))
    else if ((y <= (-1.1d-84)) .or. (.not. (y <= 3.7d-131))) then
        tmp = t_1
    else
        tmp = 0.3333333333333333d0 * ((t / y) / z)
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t) {
	double t_1 = x + (y * (-0.3333333333333333 / z));
	double tmp;
	if (y <= -0.0047) {
		tmp = t_1;
	} else if (y <= -2.1e-62) {
		tmp = 0.3333333333333333 * (t / (y * z));
	} else if ((y <= -1.1e-84) || !(y <= 3.7e-131)) {
		tmp = t_1;
	} else {
		tmp = 0.3333333333333333 * ((t / y) / z);
	}
	return tmp;
}

Python

def code(x, y, z, t):
	t_1 = x + (y * (-0.3333333333333333 / z))
	tmp = 0
	if y <= -0.0047:
		tmp = t_1
	elif y <= -2.1e-62:
		tmp = 0.3333333333333333 * (t / (y * z))
	elif (y <= -1.1e-84) or not (y <= 3.7e-131):
		tmp = t_1
	else:
		tmp = 0.3333333333333333 * ((t / y) / z)
	return tmp

Julia

function code(x, y, z, t)
	t_1 = Float64(x + Float64(y * Float64(-0.3333333333333333 / z)))
	tmp = 0.0
	if (y <= -0.0047)
		tmp = t_1;
	elseif (y <= -2.1e-62)
		tmp = Float64(0.3333333333333333 * Float64(t / Float64(y * z)));
	elseif ((y <= -1.1e-84) || !(y <= 3.7e-131))
		tmp = t_1;
	else
		tmp = Float64(0.3333333333333333 * Float64(Float64(t / y) / z));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	t_1 = x + (y * (-0.3333333333333333 / z));
	tmp = 0.0;
	if (y <= -0.0047)
		tmp = t_1;
	elseif (y <= -2.1e-62)
		tmp = 0.3333333333333333 * (t / (y * z));
	elseif ((y <= -1.1e-84) || ~((y <= 3.7e-131)))
		tmp = t_1;
	else
		tmp = 0.3333333333333333 * ((t / y) / z);
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := Block[{t$95$1 = N[(x + N[(y * N[(-0.3333333333333333 / z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]}, If[LessEqual[y, -0.0047], t$95$1, If[LessEqual[y, -2.1e-62], N[(0.3333333333333333 * N[(t / N[(y * z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[Or[LessEqual[y, -1.1e-84], N[Not[LessEqual[y, 3.7e-131]], $MachinePrecision]], t$95$1, N[(0.3333333333333333 * N[(N[(t / y), $MachinePrecision] / z), $MachinePrecision]), $MachinePrecision]]]]]

Derivation

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

Alternative 4: 75.3% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_1 := x + \frac{y}{z \cdot -3}\\ \mathbf{if}\;y \leq -0.0115:\\ \;\;\;\;t_1\\ \mathbf{elif}\;y \leq -4.2 \cdot 10^{-69}:\\ \;\;\;\;0.3333333333333333 \cdot \frac{t}{y \cdot z}\\ \mathbf{elif}\;y \leq -1.05 \cdot 10^{-84}:\\ \;\;\;\;t_1\\ \mathbf{elif}\;y \leq 3.3 \cdot 10^{-131}:\\ \;\;\;\;0.3333333333333333 \cdot \frac{\frac{t}{y}}{z}\\ \mathbf{else}:\\ \;\;\;\;x + y \cdot \frac{-0.3333333333333333}{z}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (let* ((t_1 (+ x (/ y (* z -3.0)))))
   (if (<= y -0.0115)
     t_1
     (if (<= y -4.2e-69)
       (* 0.3333333333333333 (/ t (* y z)))
       (if (<= y -1.05e-84)
         t_1
         (if (<= y 3.3e-131)
           (* 0.3333333333333333 (/ (/ t y) z))
           (+ x (* y (/ -0.3333333333333333 z)))))))))

C

double code(double x, double y, double z, double t) {
	double t_1 = x + (y / (z * -3.0));
	double tmp;
	if (y <= -0.0115) {
		tmp = t_1;
	} else if (y <= -4.2e-69) {
		tmp = 0.3333333333333333 * (t / (y * z));
	} else if (y <= -1.05e-84) {
		tmp = t_1;
	} else if (y <= 3.3e-131) {
		tmp = 0.3333333333333333 * ((t / y) / z);
	} else {
		tmp = x + (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) :: t_1
    real(8) :: tmp
    t_1 = x + (y / (z * (-3.0d0)))
    if (y <= (-0.0115d0)) then
        tmp = t_1
    else if (y <= (-4.2d-69)) then
        tmp = 0.3333333333333333d0 * (t / (y * z))
    else if (y <= (-1.05d-84)) then
        tmp = t_1
    else if (y <= 3.3d-131) then
        tmp = 0.3333333333333333d0 * ((t / y) / z)
    else
        tmp = x + (y * ((-0.3333333333333333d0) / z))
    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 (y <= -0.0115) {
		tmp = t_1;
	} else if (y <= -4.2e-69) {
		tmp = 0.3333333333333333 * (t / (y * z));
	} else if (y <= -1.05e-84) {
		tmp = t_1;
	} else if (y <= 3.3e-131) {
		tmp = 0.3333333333333333 * ((t / y) / z);
	} else {
		tmp = x + (y * (-0.3333333333333333 / z));
	}
	return tmp;
}

Python

def code(x, y, z, t):
	t_1 = x + (y / (z * -3.0))
	tmp = 0
	if y <= -0.0115:
		tmp = t_1
	elif y <= -4.2e-69:
		tmp = 0.3333333333333333 * (t / (y * z))
	elif y <= -1.05e-84:
		tmp = t_1
	elif y <= 3.3e-131:
		tmp = 0.3333333333333333 * ((t / y) / z)
	else:
		tmp = x + (y * (-0.3333333333333333 / z))
	return tmp

Julia

function code(x, y, z, t)
	t_1 = Float64(x + Float64(y / Float64(z * -3.0)))
	tmp = 0.0
	if (y <= -0.0115)
		tmp = t_1;
	elseif (y <= -4.2e-69)
		tmp = Float64(0.3333333333333333 * Float64(t / Float64(y * z)));
	elseif (y <= -1.05e-84)
		tmp = t_1;
	elseif (y <= 3.3e-131)
		tmp = Float64(0.3333333333333333 * Float64(Float64(t / y) / z));
	else
		tmp = Float64(x + Float64(y * Float64(-0.3333333333333333 / z)));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	t_1 = x + (y / (z * -3.0));
	tmp = 0.0;
	if (y <= -0.0115)
		tmp = t_1;
	elseif (y <= -4.2e-69)
		tmp = 0.3333333333333333 * (t / (y * z));
	elseif (y <= -1.05e-84)
		tmp = t_1;
	elseif (y <= 3.3e-131)
		tmp = 0.3333333333333333 * ((t / y) / z);
	else
		tmp = x + (y * (-0.3333333333333333 / z));
	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[y, -0.0115], t$95$1, If[LessEqual[y, -4.2e-69], N[(0.3333333333333333 * N[(t / N[(y * z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[y, -1.05e-84], t$95$1, If[LessEqual[y, 3.3e-131], N[(0.3333333333333333 * N[(N[(t / y), $MachinePrecision] / z), $MachinePrecision]), $MachinePrecision], N[(x + N[(y * N[(-0.3333333333333333 / z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]]]]

Derivation

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

Alternative 5: 75.2% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_1 := x + \frac{y}{z \cdot -3}\\ \mathbf{if}\;y \leq -2.3:\\ \;\;\;\;t_1\\ \mathbf{elif}\;y \leq -4.8 \cdot 10^{-60}:\\ \;\;\;\;0.3333333333333333 \cdot \frac{t}{y \cdot z}\\ \mathbf{elif}\;y \leq -8.4 \cdot 10^{-85}:\\ \;\;\;\;t_1\\ \mathbf{elif}\;y \leq 7.2 \cdot 10^{-131}:\\ \;\;\;\;0.3333333333333333 \cdot \frac{\frac{t}{y}}{z}\\ \mathbf{else}:\\ \;\;\;\;x + -0.3333333333333333 \cdot \frac{y}{z}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (let* ((t_1 (+ x (/ y (* z -3.0)))))
   (if (<= y -2.3)
     t_1
     (if (<= y -4.8e-60)
       (* 0.3333333333333333 (/ t (* y z)))
       (if (<= y -8.4e-85)
         t_1
         (if (<= y 7.2e-131)
           (* 0.3333333333333333 (/ (/ t y) z))
           (+ x (* -0.3333333333333333 (/ y z)))))))))

C

double code(double x, double y, double z, double t) {
	double t_1 = x + (y / (z * -3.0));
	double tmp;
	if (y <= -2.3) {
		tmp = t_1;
	} else if (y <= -4.8e-60) {
		tmp = 0.3333333333333333 * (t / (y * z));
	} else if (y <= -8.4e-85) {
		tmp = t_1;
	} else if (y <= 7.2e-131) {
		tmp = 0.3333333333333333 * ((t / y) / z);
	} else {
		tmp = x + (-0.3333333333333333 * (y / 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 = x + (y / (z * (-3.0d0)))
    if (y <= (-2.3d0)) then
        tmp = t_1
    else if (y <= (-4.8d-60)) then
        tmp = 0.3333333333333333d0 * (t / (y * z))
    else if (y <= (-8.4d-85)) then
        tmp = t_1
    else if (y <= 7.2d-131) then
        tmp = 0.3333333333333333d0 * ((t / y) / z)
    else
        tmp = x + ((-0.3333333333333333d0) * (y / z))
    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 (y <= -2.3) {
		tmp = t_1;
	} else if (y <= -4.8e-60) {
		tmp = 0.3333333333333333 * (t / (y * z));
	} else if (y <= -8.4e-85) {
		tmp = t_1;
	} else if (y <= 7.2e-131) {
		tmp = 0.3333333333333333 * ((t / y) / z);
	} else {
		tmp = x + (-0.3333333333333333 * (y / z));
	}
	return tmp;
}

Python

def code(x, y, z, t):
	t_1 = x + (y / (z * -3.0))
	tmp = 0
	if y <= -2.3:
		tmp = t_1
	elif y <= -4.8e-60:
		tmp = 0.3333333333333333 * (t / (y * z))
	elif y <= -8.4e-85:
		tmp = t_1
	elif y <= 7.2e-131:
		tmp = 0.3333333333333333 * ((t / y) / z)
	else:
		tmp = x + (-0.3333333333333333 * (y / z))
	return tmp

Julia

function code(x, y, z, t)
	t_1 = Float64(x + Float64(y / Float64(z * -3.0)))
	tmp = 0.0
	if (y <= -2.3)
		tmp = t_1;
	elseif (y <= -4.8e-60)
		tmp = Float64(0.3333333333333333 * Float64(t / Float64(y * z)));
	elseif (y <= -8.4e-85)
		tmp = t_1;
	elseif (y <= 7.2e-131)
		tmp = Float64(0.3333333333333333 * Float64(Float64(t / y) / z));
	else
		tmp = Float64(x + Float64(-0.3333333333333333 * Float64(y / z)));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	t_1 = x + (y / (z * -3.0));
	tmp = 0.0;
	if (y <= -2.3)
		tmp = t_1;
	elseif (y <= -4.8e-60)
		tmp = 0.3333333333333333 * (t / (y * z));
	elseif (y <= -8.4e-85)
		tmp = t_1;
	elseif (y <= 7.2e-131)
		tmp = 0.3333333333333333 * ((t / y) / z);
	else
		tmp = x + (-0.3333333333333333 * (y / z));
	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[y, -2.3], t$95$1, If[LessEqual[y, -4.8e-60], N[(0.3333333333333333 * N[(t / N[(y * z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[y, -8.4e-85], t$95$1, If[LessEqual[y, 7.2e-131], N[(0.3333333333333333 * N[(N[(t / y), $MachinePrecision] / z), $MachinePrecision]), $MachinePrecision], N[(x + N[(-0.3333333333333333 * N[(y / z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]]]]

Derivation

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

Alternative 6: 46.9% accurate, 1.1× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;x \leq -1 \cdot 10^{+139}:\\ \;\;\;\;x\\ \mathbf{elif}\;x \leq -2.3 \cdot 10^{+95} \lor \neg \left(x \leq -9.2 \cdot 10^{+17}\right) \land x \leq 3.35 \cdot 10^{+38}:\\ \;\;\;\;-0.3333333333333333 \cdot \frac{y}{z}\\ \mathbf{else}:\\ \;\;\;\;x\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (if (<= x -1e+139)
   x
   (if (or (<= x -2.3e+95) (and (not (<= x -9.2e+17)) (<= x 3.35e+38)))
     (* -0.3333333333333333 (/ y z))
     x)))

C

double code(double x, double y, double z, double t) {
	double tmp;
	if (x <= -1e+139) {
		tmp = x;
	} else if ((x <= -2.3e+95) || (!(x <= -9.2e+17) && (x <= 3.35e+38))) {
		tmp = -0.3333333333333333 * (y / z);
	} 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 (x <= (-1d+139)) then
        tmp = x
    else if ((x <= (-2.3d+95)) .or. (.not. (x <= (-9.2d+17))) .and. (x <= 3.35d+38)) then
        tmp = (-0.3333333333333333d0) * (y / z)
    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 (x <= -1e+139) {
		tmp = x;
	} else if ((x <= -2.3e+95) || (!(x <= -9.2e+17) && (x <= 3.35e+38))) {
		tmp = -0.3333333333333333 * (y / z);
	} else {
		tmp = x;
	}
	return tmp;
}

Python

def code(x, y, z, t):
	tmp = 0
	if x <= -1e+139:
		tmp = x
	elif (x <= -2.3e+95) or (not (x <= -9.2e+17) and (x <= 3.35e+38)):
		tmp = -0.3333333333333333 * (y / z)
	else:
		tmp = x
	return tmp

Julia

function code(x, y, z, t)
	tmp = 0.0
	if (x <= -1e+139)
		tmp = x;
	elseif ((x <= -2.3e+95) || (!(x <= -9.2e+17) && (x <= 3.35e+38)))
		tmp = Float64(-0.3333333333333333 * Float64(y / z));
	else
		tmp = x;
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	tmp = 0.0;
	if (x <= -1e+139)
		tmp = x;
	elseif ((x <= -2.3e+95) || (~((x <= -9.2e+17)) && (x <= 3.35e+38)))
		tmp = -0.3333333333333333 * (y / z);
	else
		tmp = x;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := If[LessEqual[x, -1e+139], x, If[Or[LessEqual[x, -2.3e+95], And[N[Not[LessEqual[x, -9.2e+17]], $MachinePrecision], LessEqual[x, 3.35e+38]]], N[(-0.3333333333333333 * N[(y / z), $MachinePrecision]), $MachinePrecision], x]]

Derivation

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

Alternative 7: 46.9% accurate, 1.1× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;x \leq -5.6 \cdot 10^{+138}:\\ \;\;\;\;x\\ \mathbf{elif}\;x \leq -2 \cdot 10^{+95} \lor \neg \left(x \leq -8.5 \cdot 10^{+17}\right) \land x \leq 5.5 \cdot 10^{+38}:\\ \;\;\;\;\frac{y \cdot -0.3333333333333333}{z}\\ \mathbf{else}:\\ \;\;\;\;x\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (if (<= x -5.6e+138)
   x
   (if (or (<= x -2e+95) (and (not (<= x -8.5e+17)) (<= x 5.5e+38)))
     (/ (* y -0.3333333333333333) z)
     x)))

C

double code(double x, double y, double z, double t) {
	double tmp;
	if (x <= -5.6e+138) {
		tmp = x;
	} else if ((x <= -2e+95) || (!(x <= -8.5e+17) && (x <= 5.5e+38))) {
		tmp = (y * -0.3333333333333333) / z;
	} 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 (x <= (-5.6d+138)) then
        tmp = x
    else if ((x <= (-2d+95)) .or. (.not. (x <= (-8.5d+17))) .and. (x <= 5.5d+38)) then
        tmp = (y * (-0.3333333333333333d0)) / z
    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 (x <= -5.6e+138) {
		tmp = x;
	} else if ((x <= -2e+95) || (!(x <= -8.5e+17) && (x <= 5.5e+38))) {
		tmp = (y * -0.3333333333333333) / z;
	} else {
		tmp = x;
	}
	return tmp;
}

Python

def code(x, y, z, t):
	tmp = 0
	if x <= -5.6e+138:
		tmp = x
	elif (x <= -2e+95) or (not (x <= -8.5e+17) and (x <= 5.5e+38)):
		tmp = (y * -0.3333333333333333) / z
	else:
		tmp = x
	return tmp

Julia

function code(x, y, z, t)
	tmp = 0.0
	if (x <= -5.6e+138)
		tmp = x;
	elseif ((x <= -2e+95) || (!(x <= -8.5e+17) && (x <= 5.5e+38)))
		tmp = Float64(Float64(y * -0.3333333333333333) / z);
	else
		tmp = x;
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	tmp = 0.0;
	if (x <= -5.6e+138)
		tmp = x;
	elseif ((x <= -2e+95) || (~((x <= -8.5e+17)) && (x <= 5.5e+38)))
		tmp = (y * -0.3333333333333333) / z;
	else
		tmp = x;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := If[LessEqual[x, -5.6e+138], x, If[Or[LessEqual[x, -2e+95], And[N[Not[LessEqual[x, -8.5e+17]], $MachinePrecision], LessEqual[x, 5.5e+38]]], N[(N[(y * -0.3333333333333333), $MachinePrecision] / z), $MachinePrecision], x]]

Derivation

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

Alternative 8: 46.9% accurate, 1.1× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;x \leq -5.6 \cdot 10^{+138}:\\ \;\;\;\;x\\ \mathbf{elif}\;x \leq -5 \cdot 10^{+94}:\\ \;\;\;\;y \cdot \frac{-0.3333333333333333}{z}\\ \mathbf{elif}\;x \leq -8.5 \cdot 10^{+17}:\\ \;\;\;\;x\\ \mathbf{elif}\;x \leq 7 \cdot 10^{+38}:\\ \;\;\;\;-0.3333333333333333 \cdot \frac{y}{z}\\ \mathbf{else}:\\ \;\;\;\;x\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (if (<= x -5.6e+138)
   x
   (if (<= x -5e+94)
     (* y (/ -0.3333333333333333 z))
     (if (<= x -8.5e+17)
       x
       (if (<= x 7e+38) (* -0.3333333333333333 (/ y z)) x)))))

C

double code(double x, double y, double z, double t) {
	double tmp;
	if (x <= -5.6e+138) {
		tmp = x;
	} else if (x <= -5e+94) {
		tmp = y * (-0.3333333333333333 / z);
	} else if (x <= -8.5e+17) {
		tmp = x;
	} else if (x <= 7e+38) {
		tmp = -0.3333333333333333 * (y / z);
	} 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 (x <= (-5.6d+138)) then
        tmp = x
    else if (x <= (-5d+94)) then
        tmp = y * ((-0.3333333333333333d0) / z)
    else if (x <= (-8.5d+17)) then
        tmp = x
    else if (x <= 7d+38) then
        tmp = (-0.3333333333333333d0) * (y / z)
    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 (x <= -5.6e+138) {
		tmp = x;
	} else if (x <= -5e+94) {
		tmp = y * (-0.3333333333333333 / z);
	} else if (x <= -8.5e+17) {
		tmp = x;
	} else if (x <= 7e+38) {
		tmp = -0.3333333333333333 * (y / z);
	} else {
		tmp = x;
	}
	return tmp;
}

Python

def code(x, y, z, t):
	tmp = 0
	if x <= -5.6e+138:
		tmp = x
	elif x <= -5e+94:
		tmp = y * (-0.3333333333333333 / z)
	elif x <= -8.5e+17:
		tmp = x
	elif x <= 7e+38:
		tmp = -0.3333333333333333 * (y / z)
	else:
		tmp = x
	return tmp

Julia

function code(x, y, z, t)
	tmp = 0.0
	if (x <= -5.6e+138)
		tmp = x;
	elseif (x <= -5e+94)
		tmp = Float64(y * Float64(-0.3333333333333333 / z));
	elseif (x <= -8.5e+17)
		tmp = x;
	elseif (x <= 7e+38)
		tmp = Float64(-0.3333333333333333 * Float64(y / z));
	else
		tmp = x;
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	tmp = 0.0;
	if (x <= -5.6e+138)
		tmp = x;
	elseif (x <= -5e+94)
		tmp = y * (-0.3333333333333333 / z);
	elseif (x <= -8.5e+17)
		tmp = x;
	elseif (x <= 7e+38)
		tmp = -0.3333333333333333 * (y / z);
	else
		tmp = x;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := If[LessEqual[x, -5.6e+138], x, If[LessEqual[x, -5e+94], N[(y * N[(-0.3333333333333333 / z), $MachinePrecision]), $MachinePrecision], If[LessEqual[x, -8.5e+17], x, If[LessEqual[x, 7e+38], N[(-0.3333333333333333 * N[(y / z), $MachinePrecision]), $MachinePrecision], x]]]]

Derivation

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

Alternative 9: 46.9% accurate, 1.1× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;x \leq -5.6 \cdot 10^{+138}:\\ \;\;\;\;x\\ \mathbf{elif}\;x \leq -1.6 \cdot 10^{+95}:\\ \;\;\;\;\frac{y \cdot -0.3333333333333333}{z}\\ \mathbf{elif}\;x \leq -9.2 \cdot 10^{+17}:\\ \;\;\;\;x\\ \mathbf{elif}\;x \leq 3.6 \cdot 10^{+38}:\\ \;\;\;\;\frac{\frac{y}{-3}}{z}\\ \mathbf{else}:\\ \;\;\;\;x\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (if (<= x -5.6e+138)
   x
   (if (<= x -1.6e+95)
     (/ (* y -0.3333333333333333) z)
     (if (<= x -9.2e+17) x (if (<= x 3.6e+38) (/ (/ y -3.0) z) x)))))

C

double code(double x, double y, double z, double t) {
	double tmp;
	if (x <= -5.6e+138) {
		tmp = x;
	} else if (x <= -1.6e+95) {
		tmp = (y * -0.3333333333333333) / z;
	} else if (x <= -9.2e+17) {
		tmp = x;
	} else if (x <= 3.6e+38) {
		tmp = (y / -3.0) / z;
	} 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 (x <= (-5.6d+138)) then
        tmp = x
    else if (x <= (-1.6d+95)) then
        tmp = (y * (-0.3333333333333333d0)) / z
    else if (x <= (-9.2d+17)) then
        tmp = x
    else if (x <= 3.6d+38) then
        tmp = (y / (-3.0d0)) / z
    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 (x <= -5.6e+138) {
		tmp = x;
	} else if (x <= -1.6e+95) {
		tmp = (y * -0.3333333333333333) / z;
	} else if (x <= -9.2e+17) {
		tmp = x;
	} else if (x <= 3.6e+38) {
		tmp = (y / -3.0) / z;
	} else {
		tmp = x;
	}
	return tmp;
}

Python

def code(x, y, z, t):
	tmp = 0
	if x <= -5.6e+138:
		tmp = x
	elif x <= -1.6e+95:
		tmp = (y * -0.3333333333333333) / z
	elif x <= -9.2e+17:
		tmp = x
	elif x <= 3.6e+38:
		tmp = (y / -3.0) / z
	else:
		tmp = x
	return tmp

Julia

function code(x, y, z, t)
	tmp = 0.0
	if (x <= -5.6e+138)
		tmp = x;
	elseif (x <= -1.6e+95)
		tmp = Float64(Float64(y * -0.3333333333333333) / z);
	elseif (x <= -9.2e+17)
		tmp = x;
	elseif (x <= 3.6e+38)
		tmp = Float64(Float64(y / -3.0) / z);
	else
		tmp = x;
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	tmp = 0.0;
	if (x <= -5.6e+138)
		tmp = x;
	elseif (x <= -1.6e+95)
		tmp = (y * -0.3333333333333333) / z;
	elseif (x <= -9.2e+17)
		tmp = x;
	elseif (x <= 3.6e+38)
		tmp = (y / -3.0) / z;
	else
		tmp = x;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := If[LessEqual[x, -5.6e+138], x, If[LessEqual[x, -1.6e+95], N[(N[(y * -0.3333333333333333), $MachinePrecision] / z), $MachinePrecision], If[LessEqual[x, -9.2e+17], x, If[LessEqual[x, 3.6e+38], N[(N[(y / -3.0), $MachinePrecision] / z), $MachinePrecision], x]]]]

Derivation

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

Alternative 10: 81.5% accurate, 1.1× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;z \leq -2.9 \cdot 10^{+75}:\\ \;\;\;\;x + -0.3333333333333333 \cdot \frac{y}{z}\\ \mathbf{elif}\;z \leq 360000000000:\\ \;\;\;\;\left(\frac{t}{y} - y\right) \cdot \frac{0.3333333333333333}{z}\\ \mathbf{else}:\\ \;\;\;\;x + \frac{y}{z \cdot -3}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (if (<= z -2.9e+75)
   (+ x (* -0.3333333333333333 (/ y z)))
   (if (<= z 360000000000.0)
     (* (- (/ t y) y) (/ 0.3333333333333333 z))
     (+ x (/ y (* z -3.0))))))

C

double code(double x, double y, double z, double t) {
	double tmp;
	if (z <= -2.9e+75) {
		tmp = x + (-0.3333333333333333 * (y / z));
	} else if (z <= 360000000000.0) {
		tmp = ((t / y) - y) * (0.3333333333333333 / z);
	} else {
		tmp = x + (y / (z * -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 <= (-2.9d+75)) then
        tmp = x + ((-0.3333333333333333d0) * (y / z))
    else if (z <= 360000000000.0d0) then
        tmp = ((t / y) - y) * (0.3333333333333333d0 / z)
    else
        tmp = x + (y / (z * (-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 <= -2.9e+75) {
		tmp = x + (-0.3333333333333333 * (y / z));
	} else if (z <= 360000000000.0) {
		tmp = ((t / y) - y) * (0.3333333333333333 / z);
	} else {
		tmp = x + (y / (z * -3.0));
	}
	return tmp;
}

Python

def code(x, y, z, t):
	tmp = 0
	if z <= -2.9e+75:
		tmp = x + (-0.3333333333333333 * (y / z))
	elif z <= 360000000000.0:
		tmp = ((t / y) - y) * (0.3333333333333333 / z)
	else:
		tmp = x + (y / (z * -3.0))
	return tmp

Julia

function code(x, y, z, t)
	tmp = 0.0
	if (z <= -2.9e+75)
		tmp = Float64(x + Float64(-0.3333333333333333 * Float64(y / z)));
	elseif (z <= 360000000000.0)
		tmp = Float64(Float64(Float64(t / y) - y) * Float64(0.3333333333333333 / z));
	else
		tmp = Float64(x + Float64(y / Float64(z * -3.0)));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	tmp = 0.0;
	if (z <= -2.9e+75)
		tmp = x + (-0.3333333333333333 * (y / z));
	elseif (z <= 360000000000.0)
		tmp = ((t / y) - y) * (0.3333333333333333 / z);
	else
		tmp = x + (y / (z * -3.0));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := If[LessEqual[z, -2.9e+75], N[(x + N[(-0.3333333333333333 * N[(y / z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[z, 360000000000.0], N[(N[(N[(t / y), $MachinePrecision] - y), $MachinePrecision] * N[(0.3333333333333333 / z), $MachinePrecision]), $MachinePrecision], N[(x + N[(y / N[(z * -3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]

Derivation

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

Alternative 11: 89.9% accurate, 1.1× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;y \leq -118:\\ \;\;\;\;x + \frac{y}{z \cdot -3}\\ \mathbf{elif}\;y \leq 8.6 \cdot 10^{+47}:\\ \;\;\;\;x + 0.3333333333333333 \cdot \frac{t}{y \cdot z}\\ \mathbf{else}:\\ \;\;\;\;x + -0.3333333333333333 \cdot \frac{y}{z}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (if (<= y -118.0)
   (+ x (/ y (* z -3.0)))
   (if (<= y 8.6e+47)
     (+ x (* 0.3333333333333333 (/ t (* y z))))
     (+ x (* -0.3333333333333333 (/ y z))))))

C

double code(double x, double y, double z, double t) {
	double tmp;
	if (y <= -118.0) {
		tmp = x + (y / (z * -3.0));
	} else if (y <= 8.6e+47) {
		tmp = x + (0.3333333333333333 * (t / (y * z)));
	} else {
		tmp = x + (-0.3333333333333333 * (y / 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 <= (-118.0d0)) then
        tmp = x + (y / (z * (-3.0d0)))
    else if (y <= 8.6d+47) then
        tmp = x + (0.3333333333333333d0 * (t / (y * z)))
    else
        tmp = x + ((-0.3333333333333333d0) * (y / z))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t) {
	double tmp;
	if (y <= -118.0) {
		tmp = x + (y / (z * -3.0));
	} else if (y <= 8.6e+47) {
		tmp = x + (0.3333333333333333 * (t / (y * z)));
	} else {
		tmp = x + (-0.3333333333333333 * (y / z));
	}
	return tmp;
}

Python

def code(x, y, z, t):
	tmp = 0
	if y <= -118.0:
		tmp = x + (y / (z * -3.0))
	elif y <= 8.6e+47:
		tmp = x + (0.3333333333333333 * (t / (y * z)))
	else:
		tmp = x + (-0.3333333333333333 * (y / z))
	return tmp

Julia

function code(x, y, z, t)
	tmp = 0.0
	if (y <= -118.0)
		tmp = Float64(x + Float64(y / Float64(z * -3.0)));
	elseif (y <= 8.6e+47)
		tmp = Float64(x + Float64(0.3333333333333333 * Float64(t / Float64(y * z))));
	else
		tmp = Float64(x + Float64(-0.3333333333333333 * Float64(y / z)));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	tmp = 0.0;
	if (y <= -118.0)
		tmp = x + (y / (z * -3.0));
	elseif (y <= 8.6e+47)
		tmp = x + (0.3333333333333333 * (t / (y * z)));
	else
		tmp = x + (-0.3333333333333333 * (y / z));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := If[LessEqual[y, -118.0], N[(x + N[(y / N[(z * -3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[y, 8.6e+47], N[(x + N[(0.3333333333333333 * N[(t / N[(y * z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x + N[(-0.3333333333333333 * N[(y / z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]

Derivation

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

Alternative 12: 89.0% accurate, 1.1× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;y \leq -800:\\ \;\;\;\;x + \frac{y}{z \cdot -3}\\ \mathbf{elif}\;y \leq 1.35 \cdot 10^{+48}:\\ \;\;\;\;x + \frac{t}{y} \cdot \frac{0.3333333333333333}{z}\\ \mathbf{else}:\\ \;\;\;\;x + -0.3333333333333333 \cdot \frac{y}{z}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (if (<= y -800.0)
   (+ x (/ y (* z -3.0)))
   (if (<= y 1.35e+48)
     (+ x (* (/ t y) (/ 0.3333333333333333 z)))
     (+ x (* -0.3333333333333333 (/ y z))))))

C

double code(double x, double y, double z, double t) {
	double tmp;
	if (y <= -800.0) {
		tmp = x + (y / (z * -3.0));
	} else if (y <= 1.35e+48) {
		tmp = x + ((t / y) * (0.3333333333333333 / z));
	} else {
		tmp = x + (-0.3333333333333333 * (y / 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 <= (-800.0d0)) then
        tmp = x + (y / (z * (-3.0d0)))
    else if (y <= 1.35d+48) then
        tmp = x + ((t / y) * (0.3333333333333333d0 / z))
    else
        tmp = x + ((-0.3333333333333333d0) * (y / z))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t) {
	double tmp;
	if (y <= -800.0) {
		tmp = x + (y / (z * -3.0));
	} else if (y <= 1.35e+48) {
		tmp = x + ((t / y) * (0.3333333333333333 / z));
	} else {
		tmp = x + (-0.3333333333333333 * (y / z));
	}
	return tmp;
}

Python

def code(x, y, z, t):
	tmp = 0
	if y <= -800.0:
		tmp = x + (y / (z * -3.0))
	elif y <= 1.35e+48:
		tmp = x + ((t / y) * (0.3333333333333333 / z))
	else:
		tmp = x + (-0.3333333333333333 * (y / z))
	return tmp

Julia

function code(x, y, z, t)
	tmp = 0.0
	if (y <= -800.0)
		tmp = Float64(x + Float64(y / Float64(z * -3.0)));
	elseif (y <= 1.35e+48)
		tmp = Float64(x + Float64(Float64(t / y) * Float64(0.3333333333333333 / z)));
	else
		tmp = Float64(x + Float64(-0.3333333333333333 * Float64(y / z)));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	tmp = 0.0;
	if (y <= -800.0)
		tmp = x + (y / (z * -3.0));
	elseif (y <= 1.35e+48)
		tmp = x + ((t / y) * (0.3333333333333333 / z));
	else
		tmp = x + (-0.3333333333333333 * (y / z));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := If[LessEqual[y, -800.0], N[(x + N[(y / N[(z * -3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[y, 1.35e+48], N[(x + N[(N[(t / y), $MachinePrecision] * N[(0.3333333333333333 / z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x + N[(-0.3333333333333333 * N[(y / z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]

Derivation

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

Alternative 13: 89.0% accurate, 1.1× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;y \leq -0.235:\\ \;\;\;\;x + \frac{y}{z \cdot -3}\\ \mathbf{elif}\;y \leq 8 \cdot 10^{+48}:\\ \;\;\;\;x + \frac{\frac{t}{y}}{z \cdot 3}\\ \mathbf{else}:\\ \;\;\;\;x + -0.3333333333333333 \cdot \frac{y}{z}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (if (<= y -0.235)
   (+ x (/ y (* z -3.0)))
   (if (<= y 8e+48)
     (+ x (/ (/ t y) (* z 3.0)))
     (+ x (* -0.3333333333333333 (/ y z))))))

C

double code(double x, double y, double z, double t) {
	double tmp;
	if (y <= -0.235) {
		tmp = x + (y / (z * -3.0));
	} else if (y <= 8e+48) {
		tmp = x + ((t / y) / (z * 3.0));
	} else {
		tmp = x + (-0.3333333333333333 * (y / 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 <= (-0.235d0)) then
        tmp = x + (y / (z * (-3.0d0)))
    else if (y <= 8d+48) then
        tmp = x + ((t / y) / (z * 3.0d0))
    else
        tmp = x + ((-0.3333333333333333d0) * (y / z))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t) {
	double tmp;
	if (y <= -0.235) {
		tmp = x + (y / (z * -3.0));
	} else if (y <= 8e+48) {
		tmp = x + ((t / y) / (z * 3.0));
	} else {
		tmp = x + (-0.3333333333333333 * (y / z));
	}
	return tmp;
}

Python

def code(x, y, z, t):
	tmp = 0
	if y <= -0.235:
		tmp = x + (y / (z * -3.0))
	elif y <= 8e+48:
		tmp = x + ((t / y) / (z * 3.0))
	else:
		tmp = x + (-0.3333333333333333 * (y / z))
	return tmp

Julia

function code(x, y, z, t)
	tmp = 0.0
	if (y <= -0.235)
		tmp = Float64(x + Float64(y / Float64(z * -3.0)));
	elseif (y <= 8e+48)
		tmp = Float64(x + Float64(Float64(t / y) / Float64(z * 3.0)));
	else
		tmp = Float64(x + Float64(-0.3333333333333333 * Float64(y / z)));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	tmp = 0.0;
	if (y <= -0.235)
		tmp = x + (y / (z * -3.0));
	elseif (y <= 8e+48)
		tmp = x + ((t / y) / (z * 3.0));
	else
		tmp = x + (-0.3333333333333333 * (y / z));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := If[LessEqual[y, -0.235], N[(x + N[(y / N[(z * -3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[y, 8e+48], N[(x + N[(N[(t / y), $MachinePrecision] / N[(z * 3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x + N[(-0.3333333333333333 * N[(y / z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]

Derivation

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

Alternative 14: 92.3% accurate, 1.1× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;y \leq -118:\\ \;\;\;\;x + \frac{y}{z \cdot -3}\\ \mathbf{elif}\;y \leq 1.5 \cdot 10^{+48}:\\ \;\;\;\;x + \frac{\frac{t \cdot 0.3333333333333333}{z}}{y}\\ \mathbf{else}:\\ \;\;\;\;x + -0.3333333333333333 \cdot \frac{y}{z}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (if (<= y -118.0)
   (+ x (/ y (* z -3.0)))
   (if (<= y 1.5e+48)
     (+ x (/ (/ (* t 0.3333333333333333) z) y))
     (+ x (* -0.3333333333333333 (/ y z))))))

C

double code(double x, double y, double z, double t) {
	double tmp;
	if (y <= -118.0) {
		tmp = x + (y / (z * -3.0));
	} else if (y <= 1.5e+48) {
		tmp = x + (((t * 0.3333333333333333) / z) / y);
	} else {
		tmp = x + (-0.3333333333333333 * (y / 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 <= (-118.0d0)) then
        tmp = x + (y / (z * (-3.0d0)))
    else if (y <= 1.5d+48) then
        tmp = x + (((t * 0.3333333333333333d0) / z) / y)
    else
        tmp = x + ((-0.3333333333333333d0) * (y / z))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t) {
	double tmp;
	if (y <= -118.0) {
		tmp = x + (y / (z * -3.0));
	} else if (y <= 1.5e+48) {
		tmp = x + (((t * 0.3333333333333333) / z) / y);
	} else {
		tmp = x + (-0.3333333333333333 * (y / z));
	}
	return tmp;
}

Python

def code(x, y, z, t):
	tmp = 0
	if y <= -118.0:
		tmp = x + (y / (z * -3.0))
	elif y <= 1.5e+48:
		tmp = x + (((t * 0.3333333333333333) / z) / y)
	else:
		tmp = x + (-0.3333333333333333 * (y / z))
	return tmp

Julia

function code(x, y, z, t)
	tmp = 0.0
	if (y <= -118.0)
		tmp = Float64(x + Float64(y / Float64(z * -3.0)));
	elseif (y <= 1.5e+48)
		tmp = Float64(x + Float64(Float64(Float64(t * 0.3333333333333333) / z) / y));
	else
		tmp = Float64(x + Float64(-0.3333333333333333 * Float64(y / z)));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t)
	tmp = 0.0;
	if (y <= -118.0)
		tmp = x + (y / (z * -3.0));
	elseif (y <= 1.5e+48)
		tmp = x + (((t * 0.3333333333333333) / z) / y);
	else
		tmp = x + (-0.3333333333333333 * (y / z));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := If[LessEqual[y, -118.0], N[(x + N[(y / N[(z * -3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[y, 1.5e+48], N[(x + N[(N[(N[(t * 0.3333333333333333), $MachinePrecision] / z), $MachinePrecision] / y), $MachinePrecision]), $MachinePrecision], N[(x + N[(-0.3333333333333333 * N[(y / z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]

Derivation

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

Alternative 15: 62.1% accurate, 1.3× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;y \leq -0.13:\\ \;\;\;\;\frac{\frac{y}{-3}}{z}\\ \mathbf{elif}\;y \leq 4.1 \cdot 10^{+48}:\\ \;\;\;\;0.3333333333333333 \cdot \frac{t}{y \cdot z}\\ \mathbf{else}:\\ \;\;\;\;\frac{y \cdot -0.3333333333333333}{z}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (if (<= y -0.13)
   (/ (/ y -3.0) z)
   (if (<= y 4.1e+48)
     (* 0.3333333333333333 (/ t (* y z)))
     (/ (* y -0.3333333333333333) z))))

C

double code(double x, double y, double z, double t) {
	double tmp;
	if (y <= -0.13) {
		tmp = (y / -3.0) / z;
	} else if (y <= 4.1e+48) {
		tmp = 0.3333333333333333 * (t / (y * z));
	} 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 <= (-0.13d0)) then
        tmp = (y / (-3.0d0)) / z
    else if (y <= 4.1d+48) then
        tmp = 0.3333333333333333d0 * (t / (y * z))
    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 <= -0.13) {
		tmp = (y / -3.0) / z;
	} else if (y <= 4.1e+48) {
		tmp = 0.3333333333333333 * (t / (y * z));
	} else {
		tmp = (y * -0.3333333333333333) / z;
	}
	return tmp;
}

Python

def code(x, y, z, t):
	tmp = 0
	if y <= -0.13:
		tmp = (y / -3.0) / z
	elif y <= 4.1e+48:
		tmp = 0.3333333333333333 * (t / (y * z))
	else:
		tmp = (y * -0.3333333333333333) / z
	return tmp

Julia

function code(x, y, z, t)
	tmp = 0.0
	if (y <= -0.13)
		tmp = Float64(Float64(y / -3.0) / z);
	elseif (y <= 4.1e+48)
		tmp = Float64(0.3333333333333333 * Float64(t / Float64(y * z)));
	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 <= -0.13)
		tmp = (y / -3.0) / z;
	elseif (y <= 4.1e+48)
		tmp = 0.3333333333333333 * (t / (y * z));
	else
		tmp = (y * -0.3333333333333333) / z;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := If[LessEqual[y, -0.13], N[(N[(y / -3.0), $MachinePrecision] / z), $MachinePrecision], If[LessEqual[y, 4.1e+48], N[(0.3333333333333333 * N[(t / N[(y * z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(N[(y * -0.3333333333333333), $MachinePrecision] / z), $MachinePrecision]]]

Derivation

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

Alternative 16: 61.5% accurate, 1.3× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;y \leq -7:\\ \;\;\;\;\frac{\frac{y}{-3}}{z}\\ \mathbf{elif}\;y \leq 2 \cdot 10^{+48}:\\ \;\;\;\;0.3333333333333333 \cdot \frac{\frac{t}{y}}{z}\\ \mathbf{else}:\\ \;\;\;\;\frac{y \cdot -0.3333333333333333}{z}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (if (<= y -7.0)
   (/ (/ y -3.0) z)
   (if (<= y 2e+48)
     (* 0.3333333333333333 (/ (/ t y) z))
     (/ (* y -0.3333333333333333) z))))

C

double code(double x, double y, double z, double t) {
	double tmp;
	if (y <= -7.0) {
		tmp = (y / -3.0) / z;
	} else if (y <= 2e+48) {
		tmp = 0.3333333333333333 * ((t / y) / z);
	} 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 <= (-7.0d0)) then
        tmp = (y / (-3.0d0)) / z
    else if (y <= 2d+48) then
        tmp = 0.3333333333333333d0 * ((t / y) / z)
    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 <= -7.0) {
		tmp = (y / -3.0) / z;
	} else if (y <= 2e+48) {
		tmp = 0.3333333333333333 * ((t / y) / z);
	} else {
		tmp = (y * -0.3333333333333333) / z;
	}
	return tmp;
}

Python

def code(x, y, z, t):
	tmp = 0
	if y <= -7.0:
		tmp = (y / -3.0) / z
	elif y <= 2e+48:
		tmp = 0.3333333333333333 * ((t / y) / z)
	else:
		tmp = (y * -0.3333333333333333) / z
	return tmp

Julia

function code(x, y, z, t)
	tmp = 0.0
	if (y <= -7.0)
		tmp = Float64(Float64(y / -3.0) / z);
	elseif (y <= 2e+48)
		tmp = Float64(0.3333333333333333 * Float64(Float64(t / y) / z));
	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 <= -7.0)
		tmp = (y / -3.0) / z;
	elseif (y <= 2e+48)
		tmp = 0.3333333333333333 * ((t / y) / z);
	else
		tmp = (y * -0.3333333333333333) / z;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_] := If[LessEqual[y, -7.0], N[(N[(y / -3.0), $MachinePrecision] / z), $MachinePrecision], If[LessEqual[y, 2e+48], N[(0.3333333333333333 * N[(N[(t / y), $MachinePrecision] / z), $MachinePrecision]), $MachinePrecision], N[(N[(y * -0.3333333333333333), $MachinePrecision] / z), $MachinePrecision]]]

Derivation

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

Alternative 17: 95.6% accurate, 1.4× speedup

Math

\[\begin{array}{l} \\ x + \left(\frac{t}{y} - y\right) \cdot \frac{0.3333333333333333}{z} \end{array} \]

FPCore

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

C

double code(double x, double y, double z, double t) {
	return x + (((t / y) - 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 + (((t / y) - y) * (0.3333333333333333d0 / z))
end function

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

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

Derivation

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

Alternative 18: 95.6% accurate, 1.4× speedup

Math

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

FPCore

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

C

double code(double x, double y, double z, double t) {
	return x + (0.3333333333333333 / (z / ((t / y) - 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 + (0.3333333333333333d0 / (z / ((t / y) - y)))
end function

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

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

Derivation

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

Alternative 19: 30.2% 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: 96.1% 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 2023350 
(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))))