Diagrams.TwoD.Arc:bezierFromSweepQ1 from diagrams-lib-1.3.0.3

Percentage Accurate: 94.0% → 99.9%

Time: 7.1s

Alternatives: 12

Speedup: 1.0×

• 25.5% of points produce a very large (infinite) output. You may want to add a precondition.

Specification

Math

\[\begin{array}{l} \\ \frac{\left(1 - x\right) \cdot \left(3 - x\right)}{y \cdot 3} \end{array} \]

FPCore

(FPCore (x y) :precision binary64 (/ (* (- 1.0 x) (- 3.0 x)) (* y 3.0)))

C

double code(double x, double y) {
	return ((1.0 - x) * (3.0 - x)) / (y * 3.0);
}

Fortran

real(8) function code(x, y)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    code = ((1.0d0 - x) * (3.0d0 - x)) / (y * 3.0d0)
end function

Java

public static double code(double x, double y) {
	return ((1.0 - x) * (3.0 - x)) / (y * 3.0);
}

Python

def code(x, y):
	return ((1.0 - x) * (3.0 - x)) / (y * 3.0)

Julia

function code(x, y)
	return Float64(Float64(Float64(1.0 - x) * Float64(3.0 - x)) / Float64(y * 3.0))
end

MATLAB

function tmp = code(x, y)
	tmp = ((1.0 - x) * (3.0 - x)) / (y * 3.0);
end

Wolfram

code[x_, y_] := N[(N[(N[(1.0 - x), $MachinePrecision] * N[(3.0 - x), $MachinePrecision]), $MachinePrecision] / N[(y * 3.0), $MachinePrecision]), $MachinePrecision]

Initial Program: 94.0% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \frac{\left(1 - x\right) \cdot \left(3 - x\right)}{y \cdot 3} \end{array} \]

FPCore

(FPCore (x y) :precision binary64 (/ (* (- 1.0 x) (- 3.0 x)) (* y 3.0)))

C

double code(double x, double y) {
	return ((1.0 - x) * (3.0 - x)) / (y * 3.0);
}

Fortran

real(8) function code(x, y)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    code = ((1.0d0 - x) * (3.0d0 - x)) / (y * 3.0d0)
end function

Java

public static double code(double x, double y) {
	return ((1.0 - x) * (3.0 - x)) / (y * 3.0);
}

Python

def code(x, y):
	return ((1.0 - x) * (3.0 - x)) / (y * 3.0)

Julia

function code(x, y)
	return Float64(Float64(Float64(1.0 - x) * Float64(3.0 - x)) / Float64(y * 3.0))
end

MATLAB

function tmp = code(x, y)
	tmp = ((1.0 - x) * (3.0 - x)) / (y * 3.0);
end

Wolfram

code[x_, y_] := N[(N[(N[(1.0 - x), $MachinePrecision] * N[(3.0 - x), $MachinePrecision]), $MachinePrecision] / N[(y * 3.0), $MachinePrecision]), $MachinePrecision]

Alternative 1: 99.9% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \left(1 - x\right) \cdot \frac{\frac{x + -3}{-3}}{y} \end{array} \]

FPCore

(FPCore (x y) :precision binary64 (* (- 1.0 x) (/ (/ (+ x -3.0) -3.0) y)))

C

double code(double x, double y) {
	return (1.0 - x) * (((x + -3.0) / -3.0) / y);
}

Fortran

real(8) function code(x, y)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    code = (1.0d0 - x) * (((x + (-3.0d0)) / (-3.0d0)) / y)
end function

Java

public static double code(double x, double y) {
	return (1.0 - x) * (((x + -3.0) / -3.0) / y);
}

Python

def code(x, y):
	return (1.0 - x) * (((x + -3.0) / -3.0) / y)

Julia

function code(x, y)
	return Float64(Float64(1.0 - x) * Float64(Float64(Float64(x + -3.0) / -3.0) / y))
end

MATLAB

function tmp = code(x, y)
	tmp = (1.0 - x) * (((x + -3.0) / -3.0) / y);
end

Wolfram

code[x_, y_] := N[(N[(1.0 - x), $MachinePrecision] * N[(N[(N[(x + -3.0), $MachinePrecision] / -3.0), $MachinePrecision] / y), $MachinePrecision]), $MachinePrecision]

Derivation

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

Alternative 2: 98.2% accurate, 0.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;x \leq -7.5 \lor \neg \left(x \leq 3\right):\\ \;\;\;\;\frac{x}{y \cdot \frac{3}{x + 3}}\\ \mathbf{else}:\\ \;\;\;\;-1.3333333333333333 \cdot \frac{x}{y} + \frac{1}{y}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y)
 :precision binary64
 (if (or (<= x -7.5) (not (<= x 3.0)))
   (/ x (* y (/ 3.0 (+ x 3.0))))
   (+ (* -1.3333333333333333 (/ x y)) (/ 1.0 y))))

C

double code(double x, double y) {
	double tmp;
	if ((x <= -7.5) || !(x <= 3.0)) {
		tmp = x / (y * (3.0 / (x + 3.0)));
	} else {
		tmp = (-1.3333333333333333 * (x / y)) + (1.0 / y);
	}
	return tmp;
}

Fortran

real(8) function code(x, y)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8) :: tmp
    if ((x <= (-7.5d0)) .or. (.not. (x <= 3.0d0))) then
        tmp = x / (y * (3.0d0 / (x + 3.0d0)))
    else
        tmp = ((-1.3333333333333333d0) * (x / y)) + (1.0d0 / y)
    end if
    code = tmp
end function

Java

public static double code(double x, double y) {
	double tmp;
	if ((x <= -7.5) || !(x <= 3.0)) {
		tmp = x / (y * (3.0 / (x + 3.0)));
	} else {
		tmp = (-1.3333333333333333 * (x / y)) + (1.0 / y);
	}
	return tmp;
}

Python

def code(x, y):
	tmp = 0
	if (x <= -7.5) or not (x <= 3.0):
		tmp = x / (y * (3.0 / (x + 3.0)))
	else:
		tmp = (-1.3333333333333333 * (x / y)) + (1.0 / y)
	return tmp

Julia

function code(x, y)
	tmp = 0.0
	if ((x <= -7.5) || !(x <= 3.0))
		tmp = Float64(x / Float64(y * Float64(3.0 / Float64(x + 3.0))));
	else
		tmp = Float64(Float64(-1.3333333333333333 * Float64(x / y)) + Float64(1.0 / y));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y)
	tmp = 0.0;
	if ((x <= -7.5) || ~((x <= 3.0)))
		tmp = x / (y * (3.0 / (x + 3.0)));
	else
		tmp = (-1.3333333333333333 * (x / y)) + (1.0 / y);
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_] := If[Or[LessEqual[x, -7.5], N[Not[LessEqual[x, 3.0]], $MachinePrecision]], N[(x / N[(y * N[(3.0 / N[(x + 3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(N[(-1.3333333333333333 * N[(x / y), $MachinePrecision]), $MachinePrecision] + N[(1.0 / y), $MachinePrecision]), $MachinePrecision]]

Derivation

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

Alternative 3: 98.3% accurate, 0.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;x \leq -2.35 \lor \neg \left(x \leq 1.3\right):\\ \;\;\;\;\frac{3 - x}{-3 \cdot \frac{y}{x}}\\ \mathbf{else}:\\ \;\;\;\;-1.3333333333333333 \cdot \frac{x}{y} + \frac{1}{y}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y)
 :precision binary64
 (if (or (<= x -2.35) (not (<= x 1.3)))
   (/ (- 3.0 x) (* -3.0 (/ y x)))
   (+ (* -1.3333333333333333 (/ x y)) (/ 1.0 y))))

C

double code(double x, double y) {
	double tmp;
	if ((x <= -2.35) || !(x <= 1.3)) {
		tmp = (3.0 - x) / (-3.0 * (y / x));
	} else {
		tmp = (-1.3333333333333333 * (x / y)) + (1.0 / y);
	}
	return tmp;
}

Fortran

real(8) function code(x, y)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8) :: tmp
    if ((x <= (-2.35d0)) .or. (.not. (x <= 1.3d0))) then
        tmp = (3.0d0 - x) / ((-3.0d0) * (y / x))
    else
        tmp = ((-1.3333333333333333d0) * (x / y)) + (1.0d0 / y)
    end if
    code = tmp
end function

Java

public static double code(double x, double y) {
	double tmp;
	if ((x <= -2.35) || !(x <= 1.3)) {
		tmp = (3.0 - x) / (-3.0 * (y / x));
	} else {
		tmp = (-1.3333333333333333 * (x / y)) + (1.0 / y);
	}
	return tmp;
}

Python

def code(x, y):
	tmp = 0
	if (x <= -2.35) or not (x <= 1.3):
		tmp = (3.0 - x) / (-3.0 * (y / x))
	else:
		tmp = (-1.3333333333333333 * (x / y)) + (1.0 / y)
	return tmp

Julia

function code(x, y)
	tmp = 0.0
	if ((x <= -2.35) || !(x <= 1.3))
		tmp = Float64(Float64(3.0 - x) / Float64(-3.0 * Float64(y / x)));
	else
		tmp = Float64(Float64(-1.3333333333333333 * Float64(x / y)) + Float64(1.0 / y));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y)
	tmp = 0.0;
	if ((x <= -2.35) || ~((x <= 1.3)))
		tmp = (3.0 - x) / (-3.0 * (y / x));
	else
		tmp = (-1.3333333333333333 * (x / y)) + (1.0 / y);
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_] := If[Or[LessEqual[x, -2.35], N[Not[LessEqual[x, 1.3]], $MachinePrecision]], N[(N[(3.0 - x), $MachinePrecision] / N[(-3.0 * N[(y / x), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(N[(-1.3333333333333333 * N[(x / y), $MachinePrecision]), $MachinePrecision] + N[(1.0 / y), $MachinePrecision]), $MachinePrecision]]

Derivation

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

Alternative 4: 98.2% accurate, 0.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;x \leq -4.7:\\ \;\;\;\;\frac{-x}{y} \cdot \left(x \cdot -0.3333333333333333\right)\\ \mathbf{elif}\;x \leq 3:\\ \;\;\;\;\frac{1 + x \cdot -1.3333333333333333}{y}\\ \mathbf{else}:\\ \;\;\;\;\left(1 - x\right) \cdot \left(-0.3333333333333333 \cdot \frac{x}{y}\right)\\ \end{array} \end{array} \]

FPCore

(FPCore (x y)
 :precision binary64
 (if (<= x -4.7)
   (* (/ (- x) y) (* x -0.3333333333333333))
   (if (<= x 3.0)
     (/ (+ 1.0 (* x -1.3333333333333333)) y)
     (* (- 1.0 x) (* -0.3333333333333333 (/ x y))))))

C

double code(double x, double y) {
	double tmp;
	if (x <= -4.7) {
		tmp = (-x / y) * (x * -0.3333333333333333);
	} else if (x <= 3.0) {
		tmp = (1.0 + (x * -1.3333333333333333)) / y;
	} else {
		tmp = (1.0 - x) * (-0.3333333333333333 * (x / y));
	}
	return tmp;
}

Fortran

real(8) function code(x, y)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8) :: tmp
    if (x <= (-4.7d0)) then
        tmp = (-x / y) * (x * (-0.3333333333333333d0))
    else if (x <= 3.0d0) then
        tmp = (1.0d0 + (x * (-1.3333333333333333d0))) / y
    else
        tmp = (1.0d0 - x) * ((-0.3333333333333333d0) * (x / y))
    end if
    code = tmp
end function

Java

public static double code(double x, double y) {
	double tmp;
	if (x <= -4.7) {
		tmp = (-x / y) * (x * -0.3333333333333333);
	} else if (x <= 3.0) {
		tmp = (1.0 + (x * -1.3333333333333333)) / y;
	} else {
		tmp = (1.0 - x) * (-0.3333333333333333 * (x / y));
	}
	return tmp;
}

Python

def code(x, y):
	tmp = 0
	if x <= -4.7:
		tmp = (-x / y) * (x * -0.3333333333333333)
	elif x <= 3.0:
		tmp = (1.0 + (x * -1.3333333333333333)) / y
	else:
		tmp = (1.0 - x) * (-0.3333333333333333 * (x / y))
	return tmp

Julia

function code(x, y)
	tmp = 0.0
	if (x <= -4.7)
		tmp = Float64(Float64(Float64(-x) / y) * Float64(x * -0.3333333333333333));
	elseif (x <= 3.0)
		tmp = Float64(Float64(1.0 + Float64(x * -1.3333333333333333)) / y);
	else
		tmp = Float64(Float64(1.0 - x) * Float64(-0.3333333333333333 * Float64(x / y)));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y)
	tmp = 0.0;
	if (x <= -4.7)
		tmp = (-x / y) * (x * -0.3333333333333333);
	elseif (x <= 3.0)
		tmp = (1.0 + (x * -1.3333333333333333)) / y;
	else
		tmp = (1.0 - x) * (-0.3333333333333333 * (x / y));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_] := If[LessEqual[x, -4.7], N[(N[((-x) / y), $MachinePrecision] * N[(x * -0.3333333333333333), $MachinePrecision]), $MachinePrecision], If[LessEqual[x, 3.0], N[(N[(1.0 + N[(x * -1.3333333333333333), $MachinePrecision]), $MachinePrecision] / y), $MachinePrecision], N[(N[(1.0 - x), $MachinePrecision] * N[(-0.3333333333333333 * N[(x / y), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]

Derivation

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

Alternative 5: 98.2% accurate, 0.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;x \leq -4.7:\\ \;\;\;\;\frac{-x}{y} \cdot \left(x \cdot -0.3333333333333333\right)\\ \mathbf{elif}\;x \leq 3:\\ \;\;\;\;-1.3333333333333333 \cdot \frac{x}{y} + \frac{1}{y}\\ \mathbf{else}:\\ \;\;\;\;\left(1 - x\right) \cdot \left(-0.3333333333333333 \cdot \frac{x}{y}\right)\\ \end{array} \end{array} \]

FPCore

(FPCore (x y)
 :precision binary64
 (if (<= x -4.7)
   (* (/ (- x) y) (* x -0.3333333333333333))
   (if (<= x 3.0)
     (+ (* -1.3333333333333333 (/ x y)) (/ 1.0 y))
     (* (- 1.0 x) (* -0.3333333333333333 (/ x y))))))

C

double code(double x, double y) {
	double tmp;
	if (x <= -4.7) {
		tmp = (-x / y) * (x * -0.3333333333333333);
	} else if (x <= 3.0) {
		tmp = (-1.3333333333333333 * (x / y)) + (1.0 / y);
	} else {
		tmp = (1.0 - x) * (-0.3333333333333333 * (x / y));
	}
	return tmp;
}

Fortran

real(8) function code(x, y)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8) :: tmp
    if (x <= (-4.7d0)) then
        tmp = (-x / y) * (x * (-0.3333333333333333d0))
    else if (x <= 3.0d0) then
        tmp = ((-1.3333333333333333d0) * (x / y)) + (1.0d0 / y)
    else
        tmp = (1.0d0 - x) * ((-0.3333333333333333d0) * (x / y))
    end if
    code = tmp
end function

Java

public static double code(double x, double y) {
	double tmp;
	if (x <= -4.7) {
		tmp = (-x / y) * (x * -0.3333333333333333);
	} else if (x <= 3.0) {
		tmp = (-1.3333333333333333 * (x / y)) + (1.0 / y);
	} else {
		tmp = (1.0 - x) * (-0.3333333333333333 * (x / y));
	}
	return tmp;
}

Python

def code(x, y):
	tmp = 0
	if x <= -4.7:
		tmp = (-x / y) * (x * -0.3333333333333333)
	elif x <= 3.0:
		tmp = (-1.3333333333333333 * (x / y)) + (1.0 / y)
	else:
		tmp = (1.0 - x) * (-0.3333333333333333 * (x / y))
	return tmp

Julia

function code(x, y)
	tmp = 0.0
	if (x <= -4.7)
		tmp = Float64(Float64(Float64(-x) / y) * Float64(x * -0.3333333333333333));
	elseif (x <= 3.0)
		tmp = Float64(Float64(-1.3333333333333333 * Float64(x / y)) + Float64(1.0 / y));
	else
		tmp = Float64(Float64(1.0 - x) * Float64(-0.3333333333333333 * Float64(x / y)));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y)
	tmp = 0.0;
	if (x <= -4.7)
		tmp = (-x / y) * (x * -0.3333333333333333);
	elseif (x <= 3.0)
		tmp = (-1.3333333333333333 * (x / y)) + (1.0 / y);
	else
		tmp = (1.0 - x) * (-0.3333333333333333 * (x / y));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_] := If[LessEqual[x, -4.7], N[(N[((-x) / y), $MachinePrecision] * N[(x * -0.3333333333333333), $MachinePrecision]), $MachinePrecision], If[LessEqual[x, 3.0], N[(N[(-1.3333333333333333 * N[(x / y), $MachinePrecision]), $MachinePrecision] + N[(1.0 / y), $MachinePrecision]), $MachinePrecision], N[(N[(1.0 - x), $MachinePrecision] * N[(-0.3333333333333333 * N[(x / y), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]

Derivation

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

Alternative 6: 98.2% accurate, 0.9× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;x \leq -4.7 \lor \neg \left(x \leq 3\right):\\ \;\;\;\;\frac{-x}{y} \cdot \left(x \cdot -0.3333333333333333\right)\\ \mathbf{else}:\\ \;\;\;\;\frac{1 + x \cdot -1.3333333333333333}{y}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y)
 :precision binary64
 (if (or (<= x -4.7) (not (<= x 3.0)))
   (* (/ (- x) y) (* x -0.3333333333333333))
   (/ (+ 1.0 (* x -1.3333333333333333)) y)))

C

double code(double x, double y) {
	double tmp;
	if ((x <= -4.7) || !(x <= 3.0)) {
		tmp = (-x / y) * (x * -0.3333333333333333);
	} else {
		tmp = (1.0 + (x * -1.3333333333333333)) / y;
	}
	return tmp;
}

Fortran

real(8) function code(x, y)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8) :: tmp
    if ((x <= (-4.7d0)) .or. (.not. (x <= 3.0d0))) then
        tmp = (-x / y) * (x * (-0.3333333333333333d0))
    else
        tmp = (1.0d0 + (x * (-1.3333333333333333d0))) / y
    end if
    code = tmp
end function

Java

public static double code(double x, double y) {
	double tmp;
	if ((x <= -4.7) || !(x <= 3.0)) {
		tmp = (-x / y) * (x * -0.3333333333333333);
	} else {
		tmp = (1.0 + (x * -1.3333333333333333)) / y;
	}
	return tmp;
}

Python

def code(x, y):
	tmp = 0
	if (x <= -4.7) or not (x <= 3.0):
		tmp = (-x / y) * (x * -0.3333333333333333)
	else:
		tmp = (1.0 + (x * -1.3333333333333333)) / y
	return tmp

Julia

function code(x, y)
	tmp = 0.0
	if ((x <= -4.7) || !(x <= 3.0))
		tmp = Float64(Float64(Float64(-x) / y) * Float64(x * -0.3333333333333333));
	else
		tmp = Float64(Float64(1.0 + Float64(x * -1.3333333333333333)) / y);
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y)
	tmp = 0.0;
	if ((x <= -4.7) || ~((x <= 3.0)))
		tmp = (-x / y) * (x * -0.3333333333333333);
	else
		tmp = (1.0 + (x * -1.3333333333333333)) / y;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_] := If[Or[LessEqual[x, -4.7], N[Not[LessEqual[x, 3.0]], $MachinePrecision]], N[(N[((-x) / y), $MachinePrecision] * N[(x * -0.3333333333333333), $MachinePrecision]), $MachinePrecision], N[(N[(1.0 + N[(x * -1.3333333333333333), $MachinePrecision]), $MachinePrecision] / y), $MachinePrecision]]

Derivation

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

Alternative 7: 99.5% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \left(1 - x\right) \cdot \left(\frac{x + -3}{y} \cdot -0.3333333333333333\right) \end{array} \]

FPCore

(FPCore (x y)
 :precision binary64
 (* (- 1.0 x) (* (/ (+ x -3.0) y) -0.3333333333333333)))

C

double code(double x, double y) {
	return (1.0 - x) * (((x + -3.0) / y) * -0.3333333333333333);
}

Fortran

real(8) function code(x, y)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    code = (1.0d0 - x) * (((x + (-3.0d0)) / y) * (-0.3333333333333333d0))
end function

Java

public static double code(double x, double y) {
	return (1.0 - x) * (((x + -3.0) / y) * -0.3333333333333333);
}

Python

def code(x, y):
	return (1.0 - x) * (((x + -3.0) / y) * -0.3333333333333333)

Julia

function code(x, y)
	return Float64(Float64(1.0 - x) * Float64(Float64(Float64(x + -3.0) / y) * -0.3333333333333333))
end

MATLAB

function tmp = code(x, y)
	tmp = (1.0 - x) * (((x + -3.0) / y) * -0.3333333333333333);
end

Wolfram

code[x_, y_] := N[(N[(1.0 - x), $MachinePrecision] * N[(N[(N[(x + -3.0), $MachinePrecision] / y), $MachinePrecision] * -0.3333333333333333), $MachinePrecision]), $MachinePrecision]

Derivation

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

Alternative 8: 57.9% accurate, 1.6× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;x \leq -0.75:\\ \;\;\;\;-1.3333333333333333 \cdot \frac{x}{y}\\ \mathbf{else}:\\ \;\;\;\;\frac{1}{y}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y)
 :precision binary64
 (if (<= x -0.75) (* -1.3333333333333333 (/ x y)) (/ 1.0 y)))

C

double code(double x, double y) {
	double tmp;
	if (x <= -0.75) {
		tmp = -1.3333333333333333 * (x / y);
	} else {
		tmp = 1.0 / y;
	}
	return tmp;
}

Fortran

real(8) function code(x, y)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8) :: tmp
    if (x <= (-0.75d0)) then
        tmp = (-1.3333333333333333d0) * (x / y)
    else
        tmp = 1.0d0 / y
    end if
    code = tmp
end function

Java

public static double code(double x, double y) {
	double tmp;
	if (x <= -0.75) {
		tmp = -1.3333333333333333 * (x / y);
	} else {
		tmp = 1.0 / y;
	}
	return tmp;
}

Python

def code(x, y):
	tmp = 0
	if x <= -0.75:
		tmp = -1.3333333333333333 * (x / y)
	else:
		tmp = 1.0 / y
	return tmp

Julia

function code(x, y)
	tmp = 0.0
	if (x <= -0.75)
		tmp = Float64(-1.3333333333333333 * Float64(x / y));
	else
		tmp = Float64(1.0 / y);
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y)
	tmp = 0.0;
	if (x <= -0.75)
		tmp = -1.3333333333333333 * (x / y);
	else
		tmp = 1.0 / y;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_] := If[LessEqual[x, -0.75], N[(-1.3333333333333333 * N[(x / y), $MachinePrecision]), $MachinePrecision], N[(1.0 / y), $MachinePrecision]]

Derivation

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

Alternative 9: 56.9% accurate, 1.6× speedup

Math

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

FPCore

(FPCore (x y) :precision binary64 (* (- 1.0 x) (/ 1.0 y)))

C

double code(double x, double y) {
	return (1.0 - x) * (1.0 / y);
}

Fortran

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

Java

public static double code(double x, double y) {
	return (1.0 - x) * (1.0 / y);
}

Python

def code(x, y):
	return (1.0 - x) * (1.0 / y)

Julia

function code(x, y)
	return Float64(Float64(1.0 - x) * Float64(1.0 / y))
end

MATLAB

function tmp = code(x, y)
	tmp = (1.0 - x) * (1.0 / y);
end

Wolfram

code[x_, y_] := N[(N[(1.0 - x), $MachinePrecision] * N[(1.0 / y), $MachinePrecision]), $MachinePrecision]

Derivation

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

Alternative 10: 57.4% accurate, 1.6× speedup

Math

\[\begin{array}{l} \\ \frac{1 + x \cdot -1.3333333333333333}{y} \end{array} \]

FPCore

(FPCore (x y) :precision binary64 (/ (+ 1.0 (* x -1.3333333333333333)) y))

C

double code(double x, double y) {
	return (1.0 + (x * -1.3333333333333333)) / y;
}

Fortran

real(8) function code(x, y)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    code = (1.0d0 + (x * (-1.3333333333333333d0))) / y
end function

Java

public static double code(double x, double y) {
	return (1.0 + (x * -1.3333333333333333)) / y;
}

Python

def code(x, y):
	return (1.0 + (x * -1.3333333333333333)) / y

Julia

function code(x, y)
	return Float64(Float64(1.0 + Float64(x * -1.3333333333333333)) / y)
end

MATLAB

function tmp = code(x, y)
	tmp = (1.0 + (x * -1.3333333333333333)) / y;
end

Wolfram

code[x_, y_] := N[(N[(1.0 + N[(x * -1.3333333333333333), $MachinePrecision]), $MachinePrecision] / y), $MachinePrecision]

Derivation

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

Alternative 11: 57.9% accurate, 1.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;x \leq -1:\\ \;\;\;\;\frac{-x}{y}\\ \mathbf{else}:\\ \;\;\;\;\frac{1}{y}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y) :precision binary64 (if (<= x -1.0) (/ (- x) y) (/ 1.0 y)))

C

double code(double x, double y) {
	double tmp;
	if (x <= -1.0) {
		tmp = -x / y;
	} else {
		tmp = 1.0 / y;
	}
	return tmp;
}

Fortran

real(8) function code(x, y)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8) :: tmp
    if (x <= (-1.0d0)) then
        tmp = -x / y
    else
        tmp = 1.0d0 / y
    end if
    code = tmp
end function

Java

public static double code(double x, double y) {
	double tmp;
	if (x <= -1.0) {
		tmp = -x / y;
	} else {
		tmp = 1.0 / y;
	}
	return tmp;
}

Python

def code(x, y):
	tmp = 0
	if x <= -1.0:
		tmp = -x / y
	else:
		tmp = 1.0 / y
	return tmp

Julia

function code(x, y)
	tmp = 0.0
	if (x <= -1.0)
		tmp = Float64(Float64(-x) / y);
	else
		tmp = Float64(1.0 / y);
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y)
	tmp = 0.0;
	if (x <= -1.0)
		tmp = -x / y;
	else
		tmp = 1.0 / y;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_] := If[LessEqual[x, -1.0], N[((-x) / y), $MachinePrecision], N[(1.0 / y), $MachinePrecision]]

Derivation

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

Alternative 12: 51.3% accurate, 3.7× speedup

Math

\[\begin{array}{l} \\ \frac{1}{y} \end{array} \]

FPCore

(FPCore (x y) :precision binary64 (/ 1.0 y))

C

double code(double x, double y) {
	return 1.0 / y;
}

Fortran

real(8) function code(x, y)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    code = 1.0d0 / y
end function

Java

public static double code(double x, double y) {
	return 1.0 / y;
}

Python

def code(x, y):
	return 1.0 / y

Julia

function code(x, y)
	return Float64(1.0 / y)
end

MATLAB

function tmp = code(x, y)
	tmp = 1.0 / y;
end

Wolfram

code[x_, y_] := N[(1.0 / y), $MachinePrecision]

Derivation

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

Developer target: 99.8% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \frac{1 - x}{y} \cdot \frac{3 - x}{3} \end{array} \]

FPCore

(FPCore (x y) :precision binary64 (* (/ (- 1.0 x) y) (/ (- 3.0 x) 3.0)))

C

double code(double x, double y) {
	return ((1.0 - x) / y) * ((3.0 - x) / 3.0);
}

Fortran

real(8) function code(x, y)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    code = ((1.0d0 - x) / y) * ((3.0d0 - x) / 3.0d0)
end function

Java

public static double code(double x, double y) {
	return ((1.0 - x) / y) * ((3.0 - x) / 3.0);
}

Python

def code(x, y):
	return ((1.0 - x) / y) * ((3.0 - x) / 3.0)

Julia

function code(x, y)
	return Float64(Float64(Float64(1.0 - x) / y) * Float64(Float64(3.0 - x) / 3.0))
end

MATLAB

function tmp = code(x, y)
	tmp = ((1.0 - x) / y) * ((3.0 - x) / 3.0);
end

Wolfram

code[x_, y_] := N[(N[(N[(1.0 - x), $MachinePrecision] / y), $MachinePrecision] * N[(N[(3.0 - x), $MachinePrecision] / 3.0), $MachinePrecision]), $MachinePrecision]

Reproduce

herbie shell --seed 2023364 
(FPCore (x y)
  :name "Diagrams.TwoD.Arc:bezierFromSweepQ1 from diagrams-lib-1.3.0.3"
  :precision binary64

  :herbie-target
  (* (/ (- 1.0 x) y) (/ (- 3.0 x) 3.0))

  (/ (* (- 1.0 x) (- 3.0 x)) (* y 3.0)))