Linear.Quaternion:$c/ from linear-1.19.1.3, A

Percentage Accurate: 98.3% → 99.4%

Time: 9.7s

Alternatives: 8

Speedup: 0.8×

• 35.1% of points produce a very large (infinite) output. You may want to add a precondition.

Specification

Math

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

FPCore

(FPCore (x y z)
 :precision binary64
 (+ (+ (+ (* x y) (* z z)) (* z z)) (* z z)))

C

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

Fortran

real(8) function code(x, y, z)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    code = (((x * y) + (z * z)) + (z * z)) + (z * z)
end function

Java

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

Python

def code(x, y, z):
	return (((x * y) + (z * z)) + (z * z)) + (z * z)

Julia

function code(x, y, z)
	return Float64(Float64(Float64(Float64(x * y) + Float64(z * z)) + Float64(z * z)) + Float64(z * z))
end

MATLAB

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

Wolfram

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

Initial Program: 98.3% accurate, 1.0× speedup

Math

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

FPCore

(FPCore (x y z)
 :precision binary64
 (+ (+ (+ (* x y) (* z z)) (* z z)) (* z z)))

C

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

Fortran

real(8) function code(x, y, z)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    code = (((x * y) + (z * z)) + (z * z)) + (z * z)
end function

Java

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

Python

def code(x, y, z):
	return (((x * y) + (z * z)) + (z * z)) + (z * z)

Julia

function code(x, y, z)
	return Float64(Float64(Float64(Float64(x * y) + Float64(z * z)) + Float64(z * z)) + Float64(z * z))
end

MATLAB

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

Wolfram

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

Alternative 1: 99.4% accurate, 0.1× speedup

Math

\[\begin{array}{l} \\ \mathsf{fma}\left(z, z, \mathsf{fma}\left(x, y, 2 \cdot \left(z \cdot z\right)\right)\right) \end{array} \]

FPCore

(FPCore (x y z) :precision binary64 (fma z z (fma x y (* 2.0 (* z z)))))

C

double code(double x, double y, double z) {
	return fma(z, z, fma(x, y, (2.0 * (z * z))));
}

Julia

function code(x, y, z)
	return fma(z, z, fma(x, y, Float64(2.0 * Float64(z * z))))
end

Wolfram

code[x_, y_, z_] := N[(z * z + N[(x * y + N[(2.0 * N[(z * z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

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

Alternative 2: 99.3% accurate, 0.1× speedup

Math

\[\begin{array}{l} \\ \mathsf{fma}\left(x, y, z \cdot \left(z \cdot 3\right)\right) \end{array} \]

FPCore

(FPCore (x y z) :precision binary64 (fma x y (* z (* z 3.0))))

C

double code(double x, double y, double z) {
	return fma(x, y, (z * (z * 3.0)));
}

Julia

function code(x, y, z)
	return fma(x, y, Float64(z * Float64(z * 3.0)))
end

Wolfram

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

Derivation

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

Alternative 3: 85.2% accurate, 0.6× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_0 := z \cdot z + \left(z \cdot z + x \cdot y\right)\\ \mathbf{if}\;z \cdot z \leq 2 \cdot 10^{-35}:\\ \;\;\;\;t_0\\ \mathbf{elif}\;z \cdot z \leq 5 \cdot 10^{-9}:\\ \;\;\;\;z \cdot z + z \cdot \frac{z}{0.5}\\ \mathbf{elif}\;z \cdot z \leq 5 \cdot 10^{+82}:\\ \;\;\;\;t_0\\ \mathbf{else}:\\ \;\;\;\;z \cdot \left(z \cdot 3\right)\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z)
 :precision binary64
 (let* ((t_0 (+ (* z z) (+ (* z z) (* x y)))))
   (if (<= (* z z) 2e-35)
     t_0
     (if (<= (* z z) 5e-9)
       (+ (* z z) (* z (/ z 0.5)))
       (if (<= (* z z) 5e+82) t_0 (* z (* z 3.0)))))))

C

double code(double x, double y, double z) {
	double t_0 = (z * z) + ((z * z) + (x * y));
	double tmp;
	if ((z * z) <= 2e-35) {
		tmp = t_0;
	} else if ((z * z) <= 5e-9) {
		tmp = (z * z) + (z * (z / 0.5));
	} else if ((z * z) <= 5e+82) {
		tmp = t_0;
	} else {
		tmp = z * (z * 3.0);
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8) :: t_0
    real(8) :: tmp
    t_0 = (z * z) + ((z * z) + (x * y))
    if ((z * z) <= 2d-35) then
        tmp = t_0
    else if ((z * z) <= 5d-9) then
        tmp = (z * z) + (z * (z / 0.5d0))
    else if ((z * z) <= 5d+82) then
        tmp = t_0
    else
        tmp = z * (z * 3.0d0)
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z) {
	double t_0 = (z * z) + ((z * z) + (x * y));
	double tmp;
	if ((z * z) <= 2e-35) {
		tmp = t_0;
	} else if ((z * z) <= 5e-9) {
		tmp = (z * z) + (z * (z / 0.5));
	} else if ((z * z) <= 5e+82) {
		tmp = t_0;
	} else {
		tmp = z * (z * 3.0);
	}
	return tmp;
}

Python

def code(x, y, z):
	t_0 = (z * z) + ((z * z) + (x * y))
	tmp = 0
	if (z * z) <= 2e-35:
		tmp = t_0
	elif (z * z) <= 5e-9:
		tmp = (z * z) + (z * (z / 0.5))
	elif (z * z) <= 5e+82:
		tmp = t_0
	else:
		tmp = z * (z * 3.0)
	return tmp

Julia

function code(x, y, z)
	t_0 = Float64(Float64(z * z) + Float64(Float64(z * z) + Float64(x * y)))
	tmp = 0.0
	if (Float64(z * z) <= 2e-35)
		tmp = t_0;
	elseif (Float64(z * z) <= 5e-9)
		tmp = Float64(Float64(z * z) + Float64(z * Float64(z / 0.5)));
	elseif (Float64(z * z) <= 5e+82)
		tmp = t_0;
	else
		tmp = Float64(z * Float64(z * 3.0));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z)
	t_0 = (z * z) + ((z * z) + (x * y));
	tmp = 0.0;
	if ((z * z) <= 2e-35)
		tmp = t_0;
	elseif ((z * z) <= 5e-9)
		tmp = (z * z) + (z * (z / 0.5));
	elseif ((z * z) <= 5e+82)
		tmp = t_0;
	else
		tmp = z * (z * 3.0);
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_] := Block[{t$95$0 = N[(N[(z * z), $MachinePrecision] + N[(N[(z * z), $MachinePrecision] + N[(x * y), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]}, If[LessEqual[N[(z * z), $MachinePrecision], 2e-35], t$95$0, If[LessEqual[N[(z * z), $MachinePrecision], 5e-9], N[(N[(z * z), $MachinePrecision] + N[(z * N[(z / 0.5), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[N[(z * z), $MachinePrecision], 5e+82], t$95$0, N[(z * N[(z * 3.0), $MachinePrecision]), $MachinePrecision]]]]]

Derivation

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

Alternative 4: 85.0% accurate, 0.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;z \cdot z \leq 2 \cdot 10^{-35} \lor \neg \left(z \cdot z \leq 5 \cdot 10^{-9}\right) \land z \cdot z \leq 5 \cdot 10^{+82}:\\ \;\;\;\;z \cdot z + x \cdot y\\ \mathbf{else}:\\ \;\;\;\;z \cdot \left(z \cdot 3\right)\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z)
 :precision binary64
 (if (or (<= (* z z) 2e-35) (and (not (<= (* z z) 5e-9)) (<= (* z z) 5e+82)))
   (+ (* z z) (* x y))
   (* z (* z 3.0))))

C

double code(double x, double y, double z) {
	double tmp;
	if (((z * z) <= 2e-35) || (!((z * z) <= 5e-9) && ((z * z) <= 5e+82))) {
		tmp = (z * z) + (x * y);
	} else {
		tmp = z * (z * 3.0);
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8) :: tmp
    if (((z * z) <= 2d-35) .or. (.not. ((z * z) <= 5d-9)) .and. ((z * z) <= 5d+82)) then
        tmp = (z * z) + (x * y)
    else
        tmp = z * (z * 3.0d0)
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z) {
	double tmp;
	if (((z * z) <= 2e-35) || (!((z * z) <= 5e-9) && ((z * z) <= 5e+82))) {
		tmp = (z * z) + (x * y);
	} else {
		tmp = z * (z * 3.0);
	}
	return tmp;
}

Python

def code(x, y, z):
	tmp = 0
	if ((z * z) <= 2e-35) or (not ((z * z) <= 5e-9) and ((z * z) <= 5e+82)):
		tmp = (z * z) + (x * y)
	else:
		tmp = z * (z * 3.0)
	return tmp

Julia

function code(x, y, z)
	tmp = 0.0
	if ((Float64(z * z) <= 2e-35) || (!(Float64(z * z) <= 5e-9) && (Float64(z * z) <= 5e+82)))
		tmp = Float64(Float64(z * z) + Float64(x * y));
	else
		tmp = Float64(z * Float64(z * 3.0));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z)
	tmp = 0.0;
	if (((z * z) <= 2e-35) || (~(((z * z) <= 5e-9)) && ((z * z) <= 5e+82)))
		tmp = (z * z) + (x * y);
	else
		tmp = z * (z * 3.0);
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_] := If[Or[LessEqual[N[(z * z), $MachinePrecision], 2e-35], And[N[Not[LessEqual[N[(z * z), $MachinePrecision], 5e-9]], $MachinePrecision], LessEqual[N[(z * z), $MachinePrecision], 5e+82]]], N[(N[(z * z), $MachinePrecision] + N[(x * y), $MachinePrecision]), $MachinePrecision], N[(z * N[(z * 3.0), $MachinePrecision]), $MachinePrecision]]

Derivation

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

Alternative 5: 85.0% accurate, 0.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_0 := z \cdot z + x \cdot y\\ \mathbf{if}\;z \cdot z \leq 2 \cdot 10^{-35}:\\ \;\;\;\;t_0\\ \mathbf{elif}\;z \cdot z \leq 5 \cdot 10^{-9}:\\ \;\;\;\;z \cdot z + z \cdot \frac{z}{0.5}\\ \mathbf{elif}\;z \cdot z \leq 5 \cdot 10^{+82}:\\ \;\;\;\;t_0\\ \mathbf{else}:\\ \;\;\;\;z \cdot \left(z \cdot 3\right)\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z)
 :precision binary64
 (let* ((t_0 (+ (* z z) (* x y))))
   (if (<= (* z z) 2e-35)
     t_0
     (if (<= (* z z) 5e-9)
       (+ (* z z) (* z (/ z 0.5)))
       (if (<= (* z z) 5e+82) t_0 (* z (* z 3.0)))))))

C

double code(double x, double y, double z) {
	double t_0 = (z * z) + (x * y);
	double tmp;
	if ((z * z) <= 2e-35) {
		tmp = t_0;
	} else if ((z * z) <= 5e-9) {
		tmp = (z * z) + (z * (z / 0.5));
	} else if ((z * z) <= 5e+82) {
		tmp = t_0;
	} else {
		tmp = z * (z * 3.0);
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8) :: t_0
    real(8) :: tmp
    t_0 = (z * z) + (x * y)
    if ((z * z) <= 2d-35) then
        tmp = t_0
    else if ((z * z) <= 5d-9) then
        tmp = (z * z) + (z * (z / 0.5d0))
    else if ((z * z) <= 5d+82) then
        tmp = t_0
    else
        tmp = z * (z * 3.0d0)
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z) {
	double t_0 = (z * z) + (x * y);
	double tmp;
	if ((z * z) <= 2e-35) {
		tmp = t_0;
	} else if ((z * z) <= 5e-9) {
		tmp = (z * z) + (z * (z / 0.5));
	} else if ((z * z) <= 5e+82) {
		tmp = t_0;
	} else {
		tmp = z * (z * 3.0);
	}
	return tmp;
}

Python

def code(x, y, z):
	t_0 = (z * z) + (x * y)
	tmp = 0
	if (z * z) <= 2e-35:
		tmp = t_0
	elif (z * z) <= 5e-9:
		tmp = (z * z) + (z * (z / 0.5))
	elif (z * z) <= 5e+82:
		tmp = t_0
	else:
		tmp = z * (z * 3.0)
	return tmp

Julia

function code(x, y, z)
	t_0 = Float64(Float64(z * z) + Float64(x * y))
	tmp = 0.0
	if (Float64(z * z) <= 2e-35)
		tmp = t_0;
	elseif (Float64(z * z) <= 5e-9)
		tmp = Float64(Float64(z * z) + Float64(z * Float64(z / 0.5)));
	elseif (Float64(z * z) <= 5e+82)
		tmp = t_0;
	else
		tmp = Float64(z * Float64(z * 3.0));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z)
	t_0 = (z * z) + (x * y);
	tmp = 0.0;
	if ((z * z) <= 2e-35)
		tmp = t_0;
	elseif ((z * z) <= 5e-9)
		tmp = (z * z) + (z * (z / 0.5));
	elseif ((z * z) <= 5e+82)
		tmp = t_0;
	else
		tmp = z * (z * 3.0);
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_] := Block[{t$95$0 = N[(N[(z * z), $MachinePrecision] + N[(x * y), $MachinePrecision]), $MachinePrecision]}, If[LessEqual[N[(z * z), $MachinePrecision], 2e-35], t$95$0, If[LessEqual[N[(z * z), $MachinePrecision], 5e-9], N[(N[(z * z), $MachinePrecision] + N[(z * N[(z / 0.5), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[N[(z * z), $MachinePrecision], 5e+82], t$95$0, N[(z * N[(z * 3.0), $MachinePrecision]), $MachinePrecision]]]]]

Derivation

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

Alternative 6: 99.1% accurate, 0.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;z \cdot z \leq 10^{+287}:\\ \;\;\;\;z \cdot z + \left(z \cdot z + \left(z \cdot z + x \cdot y\right)\right)\\ \mathbf{else}:\\ \;\;\;\;z \cdot \left(z \cdot 3\right)\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z)
 :precision binary64
 (if (<= (* z z) 1e+287)
   (+ (* z z) (+ (* z z) (+ (* z z) (* x y))))
   (* z (* z 3.0))))

C

double code(double x, double y, double z) {
	double tmp;
	if ((z * z) <= 1e+287) {
		tmp = (z * z) + ((z * z) + ((z * z) + (x * y)));
	} else {
		tmp = z * (z * 3.0);
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8) :: tmp
    if ((z * z) <= 1d+287) then
        tmp = (z * z) + ((z * z) + ((z * z) + (x * y)))
    else
        tmp = z * (z * 3.0d0)
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z) {
	double tmp;
	if ((z * z) <= 1e+287) {
		tmp = (z * z) + ((z * z) + ((z * z) + (x * y)));
	} else {
		tmp = z * (z * 3.0);
	}
	return tmp;
}

Python

def code(x, y, z):
	tmp = 0
	if (z * z) <= 1e+287:
		tmp = (z * z) + ((z * z) + ((z * z) + (x * y)))
	else:
		tmp = z * (z * 3.0)
	return tmp

Julia

function code(x, y, z)
	tmp = 0.0
	if (Float64(z * z) <= 1e+287)
		tmp = Float64(Float64(z * z) + Float64(Float64(z * z) + Float64(Float64(z * z) + Float64(x * y))));
	else
		tmp = Float64(z * Float64(z * 3.0));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z)
	tmp = 0.0;
	if ((z * z) <= 1e+287)
		tmp = (z * z) + ((z * z) + ((z * z) + (x * y)));
	else
		tmp = z * (z * 3.0);
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_] := If[LessEqual[N[(z * z), $MachinePrecision], 1e+287], N[(N[(z * z), $MachinePrecision] + N[(N[(z * z), $MachinePrecision] + N[(N[(z * z), $MachinePrecision] + N[(x * y), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(z * N[(z * 3.0), $MachinePrecision]), $MachinePrecision]]

Derivation

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

Alternative 7: 69.1% accurate, 2.1× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;z \leq 6.8 \cdot 10^{-18}:\\ \;\;\;\;x \cdot y\\ \mathbf{else}:\\ \;\;\;\;z \cdot \left(z \cdot 3\right)\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z)
 :precision binary64
 (if (<= z 6.8e-18) (* x y) (* z (* z 3.0))))

C

double code(double x, double y, double z) {
	double tmp;
	if (z <= 6.8e-18) {
		tmp = x * y;
	} else {
		tmp = z * (z * 3.0);
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8) :: tmp
    if (z <= 6.8d-18) then
        tmp = x * y
    else
        tmp = z * (z * 3.0d0)
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z) {
	double tmp;
	if (z <= 6.8e-18) {
		tmp = x * y;
	} else {
		tmp = z * (z * 3.0);
	}
	return tmp;
}

Python

def code(x, y, z):
	tmp = 0
	if z <= 6.8e-18:
		tmp = x * y
	else:
		tmp = z * (z * 3.0)
	return tmp

Julia

function code(x, y, z)
	tmp = 0.0
	if (z <= 6.8e-18)
		tmp = Float64(x * y);
	else
		tmp = Float64(z * Float64(z * 3.0));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z)
	tmp = 0.0;
	if (z <= 6.8e-18)
		tmp = x * y;
	else
		tmp = z * (z * 3.0);
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_] := If[LessEqual[z, 6.8e-18], N[(x * y), $MachinePrecision], N[(z * N[(z * 3.0), $MachinePrecision]), $MachinePrecision]]

Derivation

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

Alternative 8: 53.1% accurate, 5.0× speedup

Math

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

FPCore

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

C

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

Fortran

real(8) function code(x, y, z)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    code = x * y
end function

Java

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

Python

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

Julia

function code(x, y, z)
	return Float64(x * y)
end

MATLAB

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

Wolfram

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

Derivation

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

Developer target: 98.3% accurate, 1.7× speedup

Math

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

FPCore

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

C

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

Fortran

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

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

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

Reproduce

herbie shell --seed 2024010 
(FPCore (x y z)
  :name "Linear.Quaternion:$c/ from linear-1.19.1.3, A"
  :precision binary64

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

  (+ (+ (+ (* x y) (* z z)) (* z z)) (* z z)))