ENA, Section 1.4, Exercise 4a

Percentage Accurate: 53.3% → 99.6%

Time: 21.8s

Alternatives: 4

Speedup: 41.0×

Specification

\[-1 \leq x \land x \leq 1\]

Math

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

FPCore

(FPCore (x) :precision binary64 (/ (- x (sin x)) (tan x)))

C

double code(double x) {
	return (x - sin(x)) / tan(x);
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = (x - sin(x)) / tan(x)
end function

Java

public static double code(double x) {
	return (x - Math.sin(x)) / Math.tan(x);
}

Python

def code(x):
	return (x - math.sin(x)) / math.tan(x)

Julia

function code(x)
	return Float64(Float64(x - sin(x)) / tan(x))
end

MATLAB

function tmp = code(x)
	tmp = (x - sin(x)) / tan(x);
end

Wolfram

code[x_] := N[(N[(x - N[Sin[x], $MachinePrecision]), $MachinePrecision] / N[Tan[x], $MachinePrecision]), $MachinePrecision]

Initial Program: 53.3% accurate, 1.0× speedup

Math

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

FPCore

(FPCore (x) :precision binary64 (/ (- x (sin x)) (tan x)))

C

double code(double x) {
	return (x - sin(x)) / tan(x);
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = (x - sin(x)) / tan(x)
end function

Java

public static double code(double x) {
	return (x - Math.sin(x)) / Math.tan(x);
}

Python

def code(x):
	return (x - math.sin(x)) / math.tan(x)

Julia

function code(x)
	return Float64(Float64(x - sin(x)) / tan(x))
end

MATLAB

function tmp = code(x)
	tmp = (x - sin(x)) / tan(x);
end

Wolfram

code[x_] := N[(N[(x - N[Sin[x], $MachinePrecision]), $MachinePrecision] / N[Tan[x], $MachinePrecision]), $MachinePrecision]

Alternative 1: 99.6% accurate, 0.5× speedup

Math

\[\begin{array}{l} \\ -0.06388888888888888 \cdot {x}^{4} + \left(-0.0007275132275132275 \cdot {x}^{6} + \left(-0.00023644179894179894 \cdot {x}^{8} + 0.16666666666666666 \cdot {x}^{2}\right)\right) \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (+
  (* -0.06388888888888888 (pow x 4.0))
  (+
   (* -0.0007275132275132275 (pow x 6.0))
   (+
    (* -0.00023644179894179894 (pow x 8.0))
    (* 0.16666666666666666 (pow x 2.0))))))

C

double code(double x) {
	return (-0.06388888888888888 * pow(x, 4.0)) + ((-0.0007275132275132275 * pow(x, 6.0)) + ((-0.00023644179894179894 * pow(x, 8.0)) + (0.16666666666666666 * pow(x, 2.0))));
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = ((-0.06388888888888888d0) * (x ** 4.0d0)) + (((-0.0007275132275132275d0) * (x ** 6.0d0)) + (((-0.00023644179894179894d0) * (x ** 8.0d0)) + (0.16666666666666666d0 * (x ** 2.0d0))))
end function

Java

public static double code(double x) {
	return (-0.06388888888888888 * Math.pow(x, 4.0)) + ((-0.0007275132275132275 * Math.pow(x, 6.0)) + ((-0.00023644179894179894 * Math.pow(x, 8.0)) + (0.16666666666666666 * Math.pow(x, 2.0))));
}

Python

def code(x):
	return (-0.06388888888888888 * math.pow(x, 4.0)) + ((-0.0007275132275132275 * math.pow(x, 6.0)) + ((-0.00023644179894179894 * math.pow(x, 8.0)) + (0.16666666666666666 * math.pow(x, 2.0))))

Julia

function code(x)
	return Float64(Float64(-0.06388888888888888 * (x ^ 4.0)) + Float64(Float64(-0.0007275132275132275 * (x ^ 6.0)) + Float64(Float64(-0.00023644179894179894 * (x ^ 8.0)) + Float64(0.16666666666666666 * (x ^ 2.0)))))
end

MATLAB

function tmp = code(x)
	tmp = (-0.06388888888888888 * (x ^ 4.0)) + ((-0.0007275132275132275 * (x ^ 6.0)) + ((-0.00023644179894179894 * (x ^ 8.0)) + (0.16666666666666666 * (x ^ 2.0))));
end

Wolfram

code[x_] := N[(N[(-0.06388888888888888 * N[Power[x, 4.0], $MachinePrecision]), $MachinePrecision] + N[(N[(-0.0007275132275132275 * N[Power[x, 6.0], $MachinePrecision]), $MachinePrecision] + N[(N[(-0.00023644179894179894 * N[Power[x, 8.0], $MachinePrecision]), $MachinePrecision] + N[(0.16666666666666666 * N[Power[x, 2.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 54.0%

   \[\frac{x - \sin x}{\tan x} \]
2. Add Preprocessing

3. Taylor expanded in x around 0 99.6%

   \[\leadsto \color{blue}{-0.06388888888888888 \cdot {x}^{4} + \left(-0.0007275132275132275 \cdot {x}^{6} + \left(-0.00023644179894179894 \cdot {x}^{8} + 0.16666666666666666 \cdot {x}^{2}\right)\right)} \]

4. Final simplification 99.6%

   \[\leadsto -0.06388888888888888 \cdot {x}^{4} + \left(-0.0007275132275132275 \cdot {x}^{6} + \left(-0.00023644179894179894 \cdot {x}^{8} + 0.16666666666666666 \cdot {x}^{2}\right)\right) \]
5. Add Preprocessing

Alternative 2: 99.5% accurate, 0.7× speedup

Math

\[\begin{array}{l} \\ -0.06388888888888888 \cdot {x}^{4} + \left(-0.0007275132275132275 \cdot {x}^{6} + 0.16666666666666666 \cdot {x}^{2}\right) \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (+
  (* -0.06388888888888888 (pow x 4.0))
  (+
   (* -0.0007275132275132275 (pow x 6.0))
   (* 0.16666666666666666 (pow x 2.0)))))

C

double code(double x) {
	return (-0.06388888888888888 * pow(x, 4.0)) + ((-0.0007275132275132275 * pow(x, 6.0)) + (0.16666666666666666 * pow(x, 2.0)));
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = ((-0.06388888888888888d0) * (x ** 4.0d0)) + (((-0.0007275132275132275d0) * (x ** 6.0d0)) + (0.16666666666666666d0 * (x ** 2.0d0)))
end function

Java

public static double code(double x) {
	return (-0.06388888888888888 * Math.pow(x, 4.0)) + ((-0.0007275132275132275 * Math.pow(x, 6.0)) + (0.16666666666666666 * Math.pow(x, 2.0)));
}

Python

def code(x):
	return (-0.06388888888888888 * math.pow(x, 4.0)) + ((-0.0007275132275132275 * math.pow(x, 6.0)) + (0.16666666666666666 * math.pow(x, 2.0)))

Julia

function code(x)
	return Float64(Float64(-0.06388888888888888 * (x ^ 4.0)) + Float64(Float64(-0.0007275132275132275 * (x ^ 6.0)) + Float64(0.16666666666666666 * (x ^ 2.0))))
end

MATLAB

function tmp = code(x)
	tmp = (-0.06388888888888888 * (x ^ 4.0)) + ((-0.0007275132275132275 * (x ^ 6.0)) + (0.16666666666666666 * (x ^ 2.0)));
end

Wolfram

code[x_] := N[(N[(-0.06388888888888888 * N[Power[x, 4.0], $MachinePrecision]), $MachinePrecision] + N[(N[(-0.0007275132275132275 * N[Power[x, 6.0], $MachinePrecision]), $MachinePrecision] + N[(0.16666666666666666 * N[Power[x, 2.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 54.0%

   \[\frac{x - \sin x}{\tan x} \]
2. Add Preprocessing

3. Taylor expanded in x around 0 99.5%

   \[\leadsto \color{blue}{-0.06388888888888888 \cdot {x}^{4} + \left(-0.0007275132275132275 \cdot {x}^{6} + 0.16666666666666666 \cdot {x}^{2}\right)} \]

4. Final simplification 99.5%

   \[\leadsto -0.06388888888888888 \cdot {x}^{4} + \left(-0.0007275132275132275 \cdot {x}^{6} + 0.16666666666666666 \cdot {x}^{2}\right) \]
5. Add Preprocessing

Alternative 3: 99.4% accurate, 1.9× speedup

Math

\[\begin{array}{l} \\ -0.06388888888888888 \cdot {x}^{4} + x \cdot \left(x \cdot 0.16666666666666666\right) \end{array} \]

FPCore

(FPCore (x)
 :precision binary64
 (+ (* -0.06388888888888888 (pow x 4.0)) (* x (* x 0.16666666666666666))))

C

double code(double x) {
	return (-0.06388888888888888 * pow(x, 4.0)) + (x * (x * 0.16666666666666666));
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = ((-0.06388888888888888d0) * (x ** 4.0d0)) + (x * (x * 0.16666666666666666d0))
end function

Java

public static double code(double x) {
	return (-0.06388888888888888 * Math.pow(x, 4.0)) + (x * (x * 0.16666666666666666));
}

Python

def code(x):
	return (-0.06388888888888888 * math.pow(x, 4.0)) + (x * (x * 0.16666666666666666))

Julia

function code(x)
	return Float64(Float64(-0.06388888888888888 * (x ^ 4.0)) + Float64(x * Float64(x * 0.16666666666666666)))
end

MATLAB

function tmp = code(x)
	tmp = (-0.06388888888888888 * (x ^ 4.0)) + (x * (x * 0.16666666666666666));
end

Wolfram

code[x_] := N[(N[(-0.06388888888888888 * N[Power[x, 4.0], $MachinePrecision]), $MachinePrecision] + N[(x * N[(x * 0.16666666666666666), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 54.0%

   \[\frac{x - \sin x}{\tan x} \]
2. Add Preprocessing

3. Taylor expanded in x around 0 99.3%

   \[\leadsto \color{blue}{-0.06388888888888888 \cdot {x}^{4} + 0.16666666666666666 \cdot {x}^{2}} \]
4. Step-by-step derivation

   1. add-sqr-sqrt 99.1%

      \[\leadsto -0.06388888888888888 \cdot {x}^{4} + \color{blue}{\sqrt{0.16666666666666666 \cdot {x}^{2}} \cdot \sqrt{0.16666666666666666 \cdot {x}^{2}}} \]

   2. pow2 99.1%

      \[\leadsto -0.06388888888888888 \cdot {x}^{4} + \color{blue}{{\left(\sqrt{0.16666666666666666 \cdot {x}^{2}}\right)}^{2}} \]

   3. *-commutative 99.1%

      \[\leadsto -0.06388888888888888 \cdot {x}^{4} + {\left(\sqrt{\color{blue}{{x}^{2} \cdot 0.16666666666666666}}\right)}^{2} \]

   4. sqrt-prod 99.2%

      \[\leadsto -0.06388888888888888 \cdot {x}^{4} + {\color{blue}{\left(\sqrt{{x}^{2}} \cdot \sqrt{0.16666666666666666}\right)}}^{2} \]

   5. unpow2 99.2%

      \[\leadsto -0.06388888888888888 \cdot {x}^{4} + {\left(\sqrt{\color{blue}{x \cdot x}} \cdot \sqrt{0.16666666666666666}\right)}^{2} \]

   6. sqrt-prod 45.3%

      \[\leadsto -0.06388888888888888 \cdot {x}^{4} + {\left(\color{blue}{\left(\sqrt{x} \cdot \sqrt{x}\right)} \cdot \sqrt{0.16666666666666666}\right)}^{2} \]

   7. add-sqr-sqrt 99.2%

      \[\leadsto -0.06388888888888888 \cdot {x}^{4} + {\left(\color{blue}{x} \cdot \sqrt{0.16666666666666666}\right)}^{2} \]

5. Applied egg-rr 99.2%

   \[\leadsto -0.06388888888888888 \cdot {x}^{4} + \color{blue}{{\left(x \cdot \sqrt{0.16666666666666666}\right)}^{2}} \]
6. Step-by-step derivation

   1. *-commutative 99.2%

      \[\leadsto -0.06388888888888888 \cdot {x}^{4} + {\color{blue}{\left(\sqrt{0.16666666666666666} \cdot x\right)}}^{2} \]

   2. unpow-prod-down 99.3%

      \[\leadsto -0.06388888888888888 \cdot {x}^{4} + \color{blue}{{\left(\sqrt{0.16666666666666666}\right)}^{2} \cdot {x}^{2}} \]

   3. pow2 99.3%

      \[\leadsto -0.06388888888888888 \cdot {x}^{4} + \color{blue}{\left(\sqrt{0.16666666666666666} \cdot \sqrt{0.16666666666666666}\right)} \cdot {x}^{2} \]

   4. rem-square-sqrt 99.3%

      \[\leadsto -0.06388888888888888 \cdot {x}^{4} + \color{blue}{0.16666666666666666} \cdot {x}^{2} \]

   5. unpow2 99.3%

      \[\leadsto -0.06388888888888888 \cdot {x}^{4} + 0.16666666666666666 \cdot \color{blue}{\left(x \cdot x\right)} \]

   6. associate-*r* 99.3%

      \[\leadsto -0.06388888888888888 \cdot {x}^{4} + \color{blue}{\left(0.16666666666666666 \cdot x\right) \cdot x} \]

7. Applied egg-rr 99.3%

   \[\leadsto -0.06388888888888888 \cdot {x}^{4} + \color{blue}{\left(0.16666666666666666 \cdot x\right) \cdot x} \]

8. Final simplification 99.3%

   \[\leadsto -0.06388888888888888 \cdot {x}^{4} + x \cdot \left(x \cdot 0.16666666666666666\right) \]
9. Add Preprocessing

Alternative 4: 98.8% accurate, 41.0× speedup

Math

\[\begin{array}{l} \\ x \cdot \left(x \cdot 0.16666666666666666\right) \end{array} \]

FPCore

(FPCore (x) :precision binary64 (* x (* x 0.16666666666666666)))

C

double code(double x) {
	return x * (x * 0.16666666666666666);
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = x * (x * 0.16666666666666666d0)
end function

Java

public static double code(double x) {
	return x * (x * 0.16666666666666666);
}

Python

def code(x):
	return x * (x * 0.16666666666666666)

Julia

function code(x)
	return Float64(x * Float64(x * 0.16666666666666666))
end

MATLAB

function tmp = code(x)
	tmp = x * (x * 0.16666666666666666);
end

Wolfram

code[x_] := N[(x * N[(x * 0.16666666666666666), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 54.0%

   \[\frac{x - \sin x}{\tan x} \]
2. Add Preprocessing

3. Taylor expanded in x around 0 98.9%

   \[\leadsto \color{blue}{0.16666666666666666 \cdot {x}^{2}} \]
4. Step-by-step derivation

   1. add-cube-cbrt 98.0%

      \[\leadsto \color{blue}{\left(\sqrt[3]{0.16666666666666666 \cdot {x}^{2}} \cdot \sqrt[3]{0.16666666666666666 \cdot {x}^{2}}\right) \cdot \sqrt[3]{0.16666666666666666 \cdot {x}^{2}}} \]

   2. pow3 98.1%

      \[\leadsto \color{blue}{{\left(\sqrt[3]{0.16666666666666666 \cdot {x}^{2}}\right)}^{3}} \]

5. Applied egg-rr 98.1%

   \[\leadsto \color{blue}{{\left(\sqrt[3]{0.16666666666666666 \cdot {x}^{2}}\right)}^{3}} \]
6. Step-by-step derivation

   1. rem-cube-cbrt 98.9%

      \[\leadsto \color{blue}{0.16666666666666666 \cdot {x}^{2}} \]

   2. unpow2 98.9%

      \[\leadsto 0.16666666666666666 \cdot \color{blue}{\left(x \cdot x\right)} \]

   3. associate-*l* 98.9%

      \[\leadsto \color{blue}{\left(0.16666666666666666 \cdot x\right) \cdot x} \]

7. Applied egg-rr 98.9%

   \[\leadsto \color{blue}{\left(0.16666666666666666 \cdot x\right) \cdot x} \]

8. Final simplification 98.9%

   \[\leadsto x \cdot \left(x \cdot 0.16666666666666666\right) \]
9. Add Preprocessing

Developer target: 98.8% accurate, 41.0× speedup

Math

\[\begin{array}{l} \\ 0.16666666666666666 \cdot \left(x \cdot x\right) \end{array} \]

FPCore

(FPCore (x) :precision binary64 (* 0.16666666666666666 (* x x)))

C

double code(double x) {
	return 0.16666666666666666 * (x * x);
}

Fortran

real(8) function code(x)
    real(8), intent (in) :: x
    code = 0.16666666666666666d0 * (x * x)
end function

Java

public static double code(double x) {
	return 0.16666666666666666 * (x * x);
}

Python

def code(x):
	return 0.16666666666666666 * (x * x)

Julia

function code(x)
	return Float64(0.16666666666666666 * Float64(x * x))
end

MATLAB

function tmp = code(x)
	tmp = 0.16666666666666666 * (x * x);
end

Wolfram

code[x_] := N[(0.16666666666666666 * N[(x * x), $MachinePrecision]), $MachinePrecision]

Reproduce

herbie shell --seed 2024039 
(FPCore (x)
  :name "ENA, Section 1.4, Exercise 4a"
  :precision binary64
  :pre (and (<= -1.0 x) (<= x 1.0))

  :herbie-target
  (* 0.16666666666666666 (* x x))

  (/ (- x (sin x)) (tan x)))