math.cos on complex, imaginary part

Percentage Accurate: 65.9% → 99.6%

Time: 9.0s

Alternatives: 9

Speedup: 2.8×

• 50.2% of points produce a very large (infinite) output. You may want to add a precondition.

Specification

Math

\[\begin{array}{l} \\ \left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \end{array} \]

FPCore

(FPCore (re im)
 :precision binary64
 (* (* 0.5 (sin re)) (- (exp (- im)) (exp im))))

C

double code(double re, double im) {
	return (0.5 * sin(re)) * (exp(-im) - exp(im));
}

Fortran

real(8) function code(re, im)
    real(8), intent (in) :: re
    real(8), intent (in) :: im
    code = (0.5d0 * sin(re)) * (exp(-im) - exp(im))
end function

Java

public static double code(double re, double im) {
	return (0.5 * Math.sin(re)) * (Math.exp(-im) - Math.exp(im));
}

Python

def code(re, im):
	return (0.5 * math.sin(re)) * (math.exp(-im) - math.exp(im))

Julia

function code(re, im)
	return Float64(Float64(0.5 * sin(re)) * Float64(exp(Float64(-im)) - exp(im)))
end

MATLAB

function tmp = code(re, im)
	tmp = (0.5 * sin(re)) * (exp(-im) - exp(im));
end

Wolfram

code[re_, im_] := N[(N[(0.5 * N[Sin[re], $MachinePrecision]), $MachinePrecision] * N[(N[Exp[(-im)], $MachinePrecision] - N[Exp[im], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Initial Program: 65.9% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \end{array} \]

FPCore

(FPCore (re im)
 :precision binary64
 (* (* 0.5 (sin re)) (- (exp (- im)) (exp im))))

C

double code(double re, double im) {
	return (0.5 * sin(re)) * (exp(-im) - exp(im));
}

Fortran

real(8) function code(re, im)
    real(8), intent (in) :: re
    real(8), intent (in) :: im
    code = (0.5d0 * sin(re)) * (exp(-im) - exp(im))
end function

Java

public static double code(double re, double im) {
	return (0.5 * Math.sin(re)) * (Math.exp(-im) - Math.exp(im));
}

Python

def code(re, im):
	return (0.5 * math.sin(re)) * (math.exp(-im) - math.exp(im))

Julia

function code(re, im)
	return Float64(Float64(0.5 * sin(re)) * Float64(exp(Float64(-im)) - exp(im)))
end

MATLAB

function tmp = code(re, im)
	tmp = (0.5 * sin(re)) * (exp(-im) - exp(im));
end

Wolfram

code[re_, im_] := N[(N[(0.5 * N[Sin[re], $MachinePrecision]), $MachinePrecision] * N[(N[Exp[(-im)], $MachinePrecision] - N[Exp[im], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Alternative 1: 99.6% accurate, 0.6× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ \begin{array}{l} t_0 := e^{-im\_m} - e^{im\_m}\\ im\_s \cdot \begin{array}{l} \mathbf{if}\;t\_0 \leq -0.1:\\ \;\;\;\;t\_0 \cdot \left(0.5 \cdot \sin re\right)\\ \mathbf{else}:\\ \;\;\;\;im\_m \cdot \left(-\sin re\right)\\ \end{array} \end{array} \end{array} \]

FPCore

im\_m = (fabs.f64 im)
im\_s = (copysign.f64 #s(literal 1 binary64) im)
(FPCore (im_s re im_m)
 :precision binary64
 (let* ((t_0 (- (exp (- im_m)) (exp im_m))))
   (* im_s (if (<= t_0 -0.1) (* t_0 (* 0.5 (sin re))) (* im_m (- (sin re)))))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double t_0 = exp(-im_m) - exp(im_m);
	double tmp;
	if (t_0 <= -0.1) {
		tmp = t_0 * (0.5 * sin(re));
	} else {
		tmp = im_m * -sin(re);
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: t_0
    real(8) :: tmp
    t_0 = exp(-im_m) - exp(im_m)
    if (t_0 <= (-0.1d0)) then
        tmp = t_0 * (0.5d0 * sin(re))
    else
        tmp = im_m * -sin(re)
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double t_0 = Math.exp(-im_m) - Math.exp(im_m);
	double tmp;
	if (t_0 <= -0.1) {
		tmp = t_0 * (0.5 * Math.sin(re));
	} else {
		tmp = im_m * -Math.sin(re);
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	t_0 = math.exp(-im_m) - math.exp(im_m)
	tmp = 0
	if t_0 <= -0.1:
		tmp = t_0 * (0.5 * math.sin(re))
	else:
		tmp = im_m * -math.sin(re)
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	t_0 = Float64(exp(Float64(-im_m)) - exp(im_m))
	tmp = 0.0
	if (t_0 <= -0.1)
		tmp = Float64(t_0 * Float64(0.5 * sin(re)));
	else
		tmp = Float64(im_m * Float64(-sin(re)));
	end
	return Float64(im_s * tmp)
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp_2 = code(im_s, re, im_m)
	t_0 = exp(-im_m) - exp(im_m);
	tmp = 0.0;
	if (t_0 <= -0.1)
		tmp = t_0 * (0.5 * sin(re));
	else
		tmp = im_m * -sin(re);
	end
	tmp_2 = im_s * tmp;
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := Block[{t$95$0 = N[(N[Exp[(-im$95$m)], $MachinePrecision] - N[Exp[im$95$m], $MachinePrecision]), $MachinePrecision]}, N[(im$95$s * If[LessEqual[t$95$0, -0.1], N[(t$95$0 * N[(0.5 * N[Sin[re], $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(im$95$m * (-N[Sin[re], $MachinePrecision])), $MachinePrecision]]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if (-.f64 (exp.f64 (neg.f64 im)) (exp.f64 im)) < -0.10000000000000001

   1. Initial program 100.0%

      \[\left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \]
   2. Add Preprocessing

   if -0.10000000000000001 < (-.f64 (exp.f64 (neg.f64 im)) (exp.f64 im))

   1. Initial program 55.7%

      \[\left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \]
   2. Add Preprocessing

   3. Taylor expanded in im around 0 65.9%

      \[\leadsto \color{blue}{-1 \cdot \left(im \cdot \sin re\right)} \]
   4. Step-by-step derivation

      1. associate-*r* 65.9%

         \[\leadsto \color{blue}{\left(-1 \cdot im\right) \cdot \sin re} \]

      2. neg-mul-1 65.9%

         \[\leadsto \color{blue}{\left(-im\right)} \cdot \sin re \]

   5. Simplified 65.9%

      \[\leadsto \color{blue}{\left(-im\right) \cdot \sin re} \]
3. Recombined 2 regimes into one program.

4. Final simplification 74.7%

   \[\leadsto \begin{array}{l} \mathbf{if}\;e^{-im} - e^{im} \leq -0.1:\\ \;\;\;\;\left(e^{-im} - e^{im}\right) \cdot \left(0.5 \cdot \sin re\right)\\ \mathbf{else}:\\ \;\;\;\;im \cdot \left(-\sin re\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 2: 95.3% accurate, 1.4× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 0.215:\\ \;\;\;\;\sin re \cdot \left({im\_m}^{3} \cdot -0.16666666666666666 - im\_m\right)\\ \mathbf{elif}\;im\_m \leq 5.6 \cdot 10^{+102}:\\ \;\;\;\;\left(e^{-im\_m} - e^{im\_m}\right) \cdot \left(0.5 \cdot re\right)\\ \mathbf{else}:\\ \;\;\;\;-0.16666666666666666 \cdot \left(\sin re \cdot {im\_m}^{3}\right)\\ \end{array} \end{array} \]

FPCore

im\_m = (fabs.f64 im)
im\_s = (copysign.f64 #s(literal 1 binary64) im)
(FPCore (im_s re im_m)
 :precision binary64
 (*
  im_s
  (if (<= im_m 0.215)
    (* (sin re) (- (* (pow im_m 3.0) -0.16666666666666666) im_m))
    (if (<= im_m 5.6e+102)
      (* (- (exp (- im_m)) (exp im_m)) (* 0.5 re))
      (* -0.16666666666666666 (* (sin re) (pow im_m 3.0)))))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 0.215) {
		tmp = sin(re) * ((pow(im_m, 3.0) * -0.16666666666666666) - im_m);
	} else if (im_m <= 5.6e+102) {
		tmp = (exp(-im_m) - exp(im_m)) * (0.5 * re);
	} else {
		tmp = -0.16666666666666666 * (sin(re) * pow(im_m, 3.0));
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: tmp
    if (im_m <= 0.215d0) then
        tmp = sin(re) * (((im_m ** 3.0d0) * (-0.16666666666666666d0)) - im_m)
    else if (im_m <= 5.6d+102) then
        tmp = (exp(-im_m) - exp(im_m)) * (0.5d0 * re)
    else
        tmp = (-0.16666666666666666d0) * (sin(re) * (im_m ** 3.0d0))
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 0.215) {
		tmp = Math.sin(re) * ((Math.pow(im_m, 3.0) * -0.16666666666666666) - im_m);
	} else if (im_m <= 5.6e+102) {
		tmp = (Math.exp(-im_m) - Math.exp(im_m)) * (0.5 * re);
	} else {
		tmp = -0.16666666666666666 * (Math.sin(re) * Math.pow(im_m, 3.0));
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	tmp = 0
	if im_m <= 0.215:
		tmp = math.sin(re) * ((math.pow(im_m, 3.0) * -0.16666666666666666) - im_m)
	elif im_m <= 5.6e+102:
		tmp = (math.exp(-im_m) - math.exp(im_m)) * (0.5 * re)
	else:
		tmp = -0.16666666666666666 * (math.sin(re) * math.pow(im_m, 3.0))
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	tmp = 0.0
	if (im_m <= 0.215)
		tmp = Float64(sin(re) * Float64(Float64((im_m ^ 3.0) * -0.16666666666666666) - im_m));
	elseif (im_m <= 5.6e+102)
		tmp = Float64(Float64(exp(Float64(-im_m)) - exp(im_m)) * Float64(0.5 * re));
	else
		tmp = Float64(-0.16666666666666666 * Float64(sin(re) * (im_m ^ 3.0)));
	end
	return Float64(im_s * tmp)
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp_2 = code(im_s, re, im_m)
	tmp = 0.0;
	if (im_m <= 0.215)
		tmp = sin(re) * (((im_m ^ 3.0) * -0.16666666666666666) - im_m);
	elseif (im_m <= 5.6e+102)
		tmp = (exp(-im_m) - exp(im_m)) * (0.5 * re);
	else
		tmp = -0.16666666666666666 * (sin(re) * (im_m ^ 3.0));
	end
	tmp_2 = im_s * tmp;
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := N[(im$95$s * If[LessEqual[im$95$m, 0.215], N[(N[Sin[re], $MachinePrecision] * N[(N[(N[Power[im$95$m, 3.0], $MachinePrecision] * -0.16666666666666666), $MachinePrecision] - im$95$m), $MachinePrecision]), $MachinePrecision], If[LessEqual[im$95$m, 5.6e+102], N[(N[(N[Exp[(-im$95$m)], $MachinePrecision] - N[Exp[im$95$m], $MachinePrecision]), $MachinePrecision] * N[(0.5 * re), $MachinePrecision]), $MachinePrecision], N[(-0.16666666666666666 * N[(N[Sin[re], $MachinePrecision] * N[Power[im$95$m, 3.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]), $MachinePrecision]

Derivation

1. Split input into 3 regimes

2. if im < 0.214999999999999997

   1. Initial program 55.7%

      \[\left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \]
   2. Add Preprocessing

   3. Taylor expanded in im around 0 86.5%

      \[\leadsto \color{blue}{im \cdot \left(-1 \cdot \sin re + -0.16666666666666666 \cdot \left({im}^{2} \cdot \sin re\right)\right)} \]
   4. Step-by-step derivation

      1. +-commutative 86.5%

         \[\leadsto im \cdot \color{blue}{\left(-0.16666666666666666 \cdot \left({im}^{2} \cdot \sin re\right) + -1 \cdot \sin re\right)} \]

      2. mul-1-neg 86.5%

         \[\leadsto im \cdot \left(-0.16666666666666666 \cdot \left({im}^{2} \cdot \sin re\right) + \color{blue}{\left(-\sin re\right)}\right) \]

      3. unsub-neg 86.5%

         \[\leadsto im \cdot \color{blue}{\left(-0.16666666666666666 \cdot \left({im}^{2} \cdot \sin re\right) - \sin re\right)} \]

      4. *-commutative 86.5%

         \[\leadsto im \cdot \left(-0.16666666666666666 \cdot \color{blue}{\left(\sin re \cdot {im}^{2}\right)} - \sin re\right) \]

      5. associate-*r* 86.5%

         \[\leadsto im \cdot \left(\color{blue}{\left(-0.16666666666666666 \cdot \sin re\right) \cdot {im}^{2}} - \sin re\right) \]

      6. distribute-lft-out-- 86.5%

         \[\leadsto \color{blue}{im \cdot \left(\left(-0.16666666666666666 \cdot \sin re\right) \cdot {im}^{2}\right) - im \cdot \sin re} \]

      7. associate-*r* 86.5%

         \[\leadsto im \cdot \color{blue}{\left(-0.16666666666666666 \cdot \left(\sin re \cdot {im}^{2}\right)\right)} - im \cdot \sin re \]

      8. *-commutative 86.5%

         \[\leadsto im \cdot \left(-0.16666666666666666 \cdot \color{blue}{\left({im}^{2} \cdot \sin re\right)}\right) - im \cdot \sin re \]

      9. associate-*r* 86.5%

         \[\leadsto im \cdot \color{blue}{\left(\left(-0.16666666666666666 \cdot {im}^{2}\right) \cdot \sin re\right)} - im \cdot \sin re \]

      10. associate-*r* 88.5%

          \[\leadsto \color{blue}{\left(im \cdot \left(-0.16666666666666666 \cdot {im}^{2}\right)\right) \cdot \sin re} - im \cdot \sin re \]

      11. distribute-rgt-out-- 88.5%

          \[\leadsto \color{blue}{\sin re \cdot \left(im \cdot \left(-0.16666666666666666 \cdot {im}^{2}\right) - im\right)} \]

      12. unsub-neg 88.5%

          \[\leadsto \sin re \cdot \color{blue}{\left(im \cdot \left(-0.16666666666666666 \cdot {im}^{2}\right) + \left(-im\right)\right)} \]

      13. unsub-neg 88.5%

          \[\leadsto \sin re \cdot \color{blue}{\left(im \cdot \left(-0.16666666666666666 \cdot {im}^{2}\right) - im\right)} \]

   5. Simplified 88.5%

      \[\leadsto \color{blue}{\sin re \cdot \left({im}^{3} \cdot -0.16666666666666666 - im\right)} \]

   if 0.214999999999999997 < im < 5.60000000000000037e102

   1. Initial program 100.0%

      \[\left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \]
   2. Add Preprocessing

   3. Taylor expanded in re around 0 72.0%

      \[\leadsto \color{blue}{0.5 \cdot \left(re \cdot \left(e^{-im} - e^{im}\right)\right)} \]
   4. Step-by-step derivation

      1. associate-*r* 72.0%

         \[\leadsto \color{blue}{\left(0.5 \cdot re\right) \cdot \left(e^{-im} - e^{im}\right)} \]

      2. *-commutative 72.0%

         \[\leadsto \color{blue}{\left(e^{-im} - e^{im}\right) \cdot \left(0.5 \cdot re\right)} \]

   5. Simplified 72.0%

      \[\leadsto \color{blue}{\left(e^{-im} - e^{im}\right) \cdot \left(0.5 \cdot re\right)} \]

   if 5.60000000000000037e102 < im

   1. Initial program 100.0%

      \[\left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \]
   2. Add Preprocessing

   3. Taylor expanded in im around 0 93.0%

      \[\leadsto \color{blue}{im \cdot \left(-1 \cdot \sin re + -0.16666666666666666 \cdot \left({im}^{2} \cdot \sin re\right)\right)} \]
   4. Step-by-step derivation

      1. associate-*r* 93.0%

         \[\leadsto im \cdot \left(-1 \cdot \sin re + \color{blue}{\left(-0.16666666666666666 \cdot {im}^{2}\right) \cdot \sin re}\right) \]

      2. distribute-rgt-out 93.0%

         \[\leadsto im \cdot \color{blue}{\left(\sin re \cdot \left(-1 + -0.16666666666666666 \cdot {im}^{2}\right)\right)} \]

      3. *-commutative 93.0%

         \[\leadsto im \cdot \left(\sin re \cdot \left(-1 + \color{blue}{{im}^{2} \cdot -0.16666666666666666}\right)\right) \]

   5. Simplified 93.0%

      \[\leadsto \color{blue}{im \cdot \left(\sin re \cdot \left(-1 + {im}^{2} \cdot -0.16666666666666666\right)\right)} \]

   6. Taylor expanded in im around inf 100.0%

      \[\leadsto \color{blue}{-0.16666666666666666 \cdot \left({im}^{3} \cdot \sin re\right)} \]
3. Recombined 3 regimes into one program.

4. Final simplification 88.8%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 0.215:\\ \;\;\;\;\sin re \cdot \left({im}^{3} \cdot -0.16666666666666666 - im\right)\\ \mathbf{elif}\;im \leq 5.6 \cdot 10^{+102}:\\ \;\;\;\;\left(e^{-im} - e^{im}\right) \cdot \left(0.5 \cdot re\right)\\ \mathbf{else}:\\ \;\;\;\;-0.16666666666666666 \cdot \left(\sin re \cdot {im}^{3}\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 3: 86.1% accurate, 1.4× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 1450000:\\ \;\;\;\;im\_m \cdot \left(-\sin re\right)\\ \mathbf{elif}\;im\_m \leq 1.95 \cdot 10^{+96}:\\ \;\;\;\;re \cdot \left({re}^{2} \cdot \left(im\_m \cdot 0.16666666666666666\right) - im\_m\right)\\ \mathbf{else}:\\ \;\;\;\;-0.16666666666666666 \cdot \left(\sin re \cdot {im\_m}^{3}\right)\\ \end{array} \end{array} \]

FPCore

im\_m = (fabs.f64 im)
im\_s = (copysign.f64 #s(literal 1 binary64) im)
(FPCore (im_s re im_m)
 :precision binary64
 (*
  im_s
  (if (<= im_m 1450000.0)
    (* im_m (- (sin re)))
    (if (<= im_m 1.95e+96)
      (* re (- (* (pow re 2.0) (* im_m 0.16666666666666666)) im_m))
      (* -0.16666666666666666 (* (sin re) (pow im_m 3.0)))))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 1450000.0) {
		tmp = im_m * -sin(re);
	} else if (im_m <= 1.95e+96) {
		tmp = re * ((pow(re, 2.0) * (im_m * 0.16666666666666666)) - im_m);
	} else {
		tmp = -0.16666666666666666 * (sin(re) * pow(im_m, 3.0));
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: tmp
    if (im_m <= 1450000.0d0) then
        tmp = im_m * -sin(re)
    else if (im_m <= 1.95d+96) then
        tmp = re * (((re ** 2.0d0) * (im_m * 0.16666666666666666d0)) - im_m)
    else
        tmp = (-0.16666666666666666d0) * (sin(re) * (im_m ** 3.0d0))
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 1450000.0) {
		tmp = im_m * -Math.sin(re);
	} else if (im_m <= 1.95e+96) {
		tmp = re * ((Math.pow(re, 2.0) * (im_m * 0.16666666666666666)) - im_m);
	} else {
		tmp = -0.16666666666666666 * (Math.sin(re) * Math.pow(im_m, 3.0));
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	tmp = 0
	if im_m <= 1450000.0:
		tmp = im_m * -math.sin(re)
	elif im_m <= 1.95e+96:
		tmp = re * ((math.pow(re, 2.0) * (im_m * 0.16666666666666666)) - im_m)
	else:
		tmp = -0.16666666666666666 * (math.sin(re) * math.pow(im_m, 3.0))
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	tmp = 0.0
	if (im_m <= 1450000.0)
		tmp = Float64(im_m * Float64(-sin(re)));
	elseif (im_m <= 1.95e+96)
		tmp = Float64(re * Float64(Float64((re ^ 2.0) * Float64(im_m * 0.16666666666666666)) - im_m));
	else
		tmp = Float64(-0.16666666666666666 * Float64(sin(re) * (im_m ^ 3.0)));
	end
	return Float64(im_s * tmp)
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp_2 = code(im_s, re, im_m)
	tmp = 0.0;
	if (im_m <= 1450000.0)
		tmp = im_m * -sin(re);
	elseif (im_m <= 1.95e+96)
		tmp = re * (((re ^ 2.0) * (im_m * 0.16666666666666666)) - im_m);
	else
		tmp = -0.16666666666666666 * (sin(re) * (im_m ^ 3.0));
	end
	tmp_2 = im_s * tmp;
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := N[(im$95$s * If[LessEqual[im$95$m, 1450000.0], N[(im$95$m * (-N[Sin[re], $MachinePrecision])), $MachinePrecision], If[LessEqual[im$95$m, 1.95e+96], N[(re * N[(N[(N[Power[re, 2.0], $MachinePrecision] * N[(im$95$m * 0.16666666666666666), $MachinePrecision]), $MachinePrecision] - im$95$m), $MachinePrecision]), $MachinePrecision], N[(-0.16666666666666666 * N[(N[Sin[re], $MachinePrecision] * N[Power[im$95$m, 3.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]), $MachinePrecision]

Derivation

1. Split input into 3 regimes

2. if im < 1.45e6

   1. Initial program 56.2%

      \[\left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \]
   2. Add Preprocessing

   3. Taylor expanded in im around 0 65.2%

      \[\leadsto \color{blue}{-1 \cdot \left(im \cdot \sin re\right)} \]
   4. Step-by-step derivation

      1. associate-*r* 65.2%

         \[\leadsto \color{blue}{\left(-1 \cdot im\right) \cdot \sin re} \]

      2. neg-mul-1 65.2%

         \[\leadsto \color{blue}{\left(-im\right)} \cdot \sin re \]

   5. Simplified 65.2%

      \[\leadsto \color{blue}{\left(-im\right) \cdot \sin re} \]

   if 1.45e6 < im < 1.95e96

   1. Initial program 100.0%

      \[\left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \]
   2. Add Preprocessing

   3. Taylor expanded in im around 0 3.3%

      \[\leadsto \color{blue}{-1 \cdot \left(im \cdot \sin re\right)} \]
   4. Step-by-step derivation

      1. associate-*r* 3.3%

         \[\leadsto \color{blue}{\left(-1 \cdot im\right) \cdot \sin re} \]

      2. neg-mul-1 3.3%

         \[\leadsto \color{blue}{\left(-im\right)} \cdot \sin re \]

   5. Simplified 3.3%

      \[\leadsto \color{blue}{\left(-im\right) \cdot \sin re} \]

   6. Taylor expanded in re around 0 24.4%

      \[\leadsto \color{blue}{re \cdot \left(-1 \cdot im + 0.16666666666666666 \cdot \left(im \cdot {re}^{2}\right)\right)} \]
   7. Step-by-step derivation

      1. mul-1-neg 24.4%

         \[\leadsto re \cdot \left(\color{blue}{\left(-im\right)} + 0.16666666666666666 \cdot \left(im \cdot {re}^{2}\right)\right) \]

      2. +-commutative 24.4%

         \[\leadsto re \cdot \color{blue}{\left(0.16666666666666666 \cdot \left(im \cdot {re}^{2}\right) + \left(-im\right)\right)} \]

      3. unsub-neg 24.4%

         \[\leadsto re \cdot \color{blue}{\left(0.16666666666666666 \cdot \left(im \cdot {re}^{2}\right) - im\right)} \]

      4. *-commutative 24.4%

         \[\leadsto re \cdot \left(\color{blue}{\left(im \cdot {re}^{2}\right) \cdot 0.16666666666666666} - im\right) \]

      5. *-commutative 24.4%

         \[\leadsto re \cdot \left(\color{blue}{\left({re}^{2} \cdot im\right)} \cdot 0.16666666666666666 - im\right) \]

      6. associate-*r* 24.4%

         \[\leadsto re \cdot \left(\color{blue}{{re}^{2} \cdot \left(im \cdot 0.16666666666666666\right)} - im\right) \]

   8. Simplified 24.4%

      \[\leadsto \color{blue}{re \cdot \left({re}^{2} \cdot \left(im \cdot 0.16666666666666666\right) - im\right)} \]

   if 1.95e96 < im

   1. Initial program 100.0%

      \[\left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \]
   2. Add Preprocessing

   3. Taylor expanded in im around 0 90.9%

      \[\leadsto \color{blue}{im \cdot \left(-1 \cdot \sin re + -0.16666666666666666 \cdot \left({im}^{2} \cdot \sin re\right)\right)} \]
   4. Step-by-step derivation

      1. associate-*r* 90.9%

         \[\leadsto im \cdot \left(-1 \cdot \sin re + \color{blue}{\left(-0.16666666666666666 \cdot {im}^{2}\right) \cdot \sin re}\right) \]

      2. distribute-rgt-out 90.9%

         \[\leadsto im \cdot \color{blue}{\left(\sin re \cdot \left(-1 + -0.16666666666666666 \cdot {im}^{2}\right)\right)} \]

      3. *-commutative 90.9%

         \[\leadsto im \cdot \left(\sin re \cdot \left(-1 + \color{blue}{{im}^{2} \cdot -0.16666666666666666}\right)\right) \]

   5. Simplified 90.9%

      \[\leadsto \color{blue}{im \cdot \left(\sin re \cdot \left(-1 + {im}^{2} \cdot -0.16666666666666666\right)\right)} \]

   6. Taylor expanded in im around inf 97.7%

      \[\leadsto \color{blue}{-0.16666666666666666 \cdot \left({im}^{3} \cdot \sin re\right)} \]
3. Recombined 3 regimes into one program.

4. Final simplification 67.1%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 1450000:\\ \;\;\;\;im \cdot \left(-\sin re\right)\\ \mathbf{elif}\;im \leq 1.95 \cdot 10^{+96}:\\ \;\;\;\;re \cdot \left({re}^{2} \cdot \left(im \cdot 0.16666666666666666\right) - im\right)\\ \mathbf{else}:\\ \;\;\;\;-0.16666666666666666 \cdot \left(\sin re \cdot {im}^{3}\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 4: 86.4% accurate, 1.4× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 1500000:\\ \;\;\;\;\sin re \cdot \left({im\_m}^{3} \cdot -0.16666666666666666 - im\_m\right)\\ \mathbf{elif}\;im\_m \leq 1.95 \cdot 10^{+96}:\\ \;\;\;\;re \cdot \left({re}^{2} \cdot \left(im\_m \cdot 0.16666666666666666\right) - im\_m\right)\\ \mathbf{else}:\\ \;\;\;\;-0.16666666666666666 \cdot \left(\sin re \cdot {im\_m}^{3}\right)\\ \end{array} \end{array} \]

FPCore

im\_m = (fabs.f64 im)
im\_s = (copysign.f64 #s(literal 1 binary64) im)
(FPCore (im_s re im_m)
 :precision binary64
 (*
  im_s
  (if (<= im_m 1500000.0)
    (* (sin re) (- (* (pow im_m 3.0) -0.16666666666666666) im_m))
    (if (<= im_m 1.95e+96)
      (* re (- (* (pow re 2.0) (* im_m 0.16666666666666666)) im_m))
      (* -0.16666666666666666 (* (sin re) (pow im_m 3.0)))))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 1500000.0) {
		tmp = sin(re) * ((pow(im_m, 3.0) * -0.16666666666666666) - im_m);
	} else if (im_m <= 1.95e+96) {
		tmp = re * ((pow(re, 2.0) * (im_m * 0.16666666666666666)) - im_m);
	} else {
		tmp = -0.16666666666666666 * (sin(re) * pow(im_m, 3.0));
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: tmp
    if (im_m <= 1500000.0d0) then
        tmp = sin(re) * (((im_m ** 3.0d0) * (-0.16666666666666666d0)) - im_m)
    else if (im_m <= 1.95d+96) then
        tmp = re * (((re ** 2.0d0) * (im_m * 0.16666666666666666d0)) - im_m)
    else
        tmp = (-0.16666666666666666d0) * (sin(re) * (im_m ** 3.0d0))
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 1500000.0) {
		tmp = Math.sin(re) * ((Math.pow(im_m, 3.0) * -0.16666666666666666) - im_m);
	} else if (im_m <= 1.95e+96) {
		tmp = re * ((Math.pow(re, 2.0) * (im_m * 0.16666666666666666)) - im_m);
	} else {
		tmp = -0.16666666666666666 * (Math.sin(re) * Math.pow(im_m, 3.0));
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	tmp = 0
	if im_m <= 1500000.0:
		tmp = math.sin(re) * ((math.pow(im_m, 3.0) * -0.16666666666666666) - im_m)
	elif im_m <= 1.95e+96:
		tmp = re * ((math.pow(re, 2.0) * (im_m * 0.16666666666666666)) - im_m)
	else:
		tmp = -0.16666666666666666 * (math.sin(re) * math.pow(im_m, 3.0))
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	tmp = 0.0
	if (im_m <= 1500000.0)
		tmp = Float64(sin(re) * Float64(Float64((im_m ^ 3.0) * -0.16666666666666666) - im_m));
	elseif (im_m <= 1.95e+96)
		tmp = Float64(re * Float64(Float64((re ^ 2.0) * Float64(im_m * 0.16666666666666666)) - im_m));
	else
		tmp = Float64(-0.16666666666666666 * Float64(sin(re) * (im_m ^ 3.0)));
	end
	return Float64(im_s * tmp)
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp_2 = code(im_s, re, im_m)
	tmp = 0.0;
	if (im_m <= 1500000.0)
		tmp = sin(re) * (((im_m ^ 3.0) * -0.16666666666666666) - im_m);
	elseif (im_m <= 1.95e+96)
		tmp = re * (((re ^ 2.0) * (im_m * 0.16666666666666666)) - im_m);
	else
		tmp = -0.16666666666666666 * (sin(re) * (im_m ^ 3.0));
	end
	tmp_2 = im_s * tmp;
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := N[(im$95$s * If[LessEqual[im$95$m, 1500000.0], N[(N[Sin[re], $MachinePrecision] * N[(N[(N[Power[im$95$m, 3.0], $MachinePrecision] * -0.16666666666666666), $MachinePrecision] - im$95$m), $MachinePrecision]), $MachinePrecision], If[LessEqual[im$95$m, 1.95e+96], N[(re * N[(N[(N[Power[re, 2.0], $MachinePrecision] * N[(im$95$m * 0.16666666666666666), $MachinePrecision]), $MachinePrecision] - im$95$m), $MachinePrecision]), $MachinePrecision], N[(-0.16666666666666666 * N[(N[Sin[re], $MachinePrecision] * N[Power[im$95$m, 3.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]), $MachinePrecision]

Derivation

1. Split input into 3 regimes

2. if im < 1.5e6

   1. Initial program 56.4%

      \[\left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \]
   2. Add Preprocessing

   3. Taylor expanded in im around 0 85.2%

      \[\leadsto \color{blue}{im \cdot \left(-1 \cdot \sin re + -0.16666666666666666 \cdot \left({im}^{2} \cdot \sin re\right)\right)} \]
   4. Step-by-step derivation

      1. +-commutative 85.2%

         \[\leadsto im \cdot \color{blue}{\left(-0.16666666666666666 \cdot \left({im}^{2} \cdot \sin re\right) + -1 \cdot \sin re\right)} \]

      2. mul-1-neg 85.2%

         \[\leadsto im \cdot \left(-0.16666666666666666 \cdot \left({im}^{2} \cdot \sin re\right) + \color{blue}{\left(-\sin re\right)}\right) \]

      3. unsub-neg 85.2%

         \[\leadsto im \cdot \color{blue}{\left(-0.16666666666666666 \cdot \left({im}^{2} \cdot \sin re\right) - \sin re\right)} \]

      4. *-commutative 85.2%

         \[\leadsto im \cdot \left(-0.16666666666666666 \cdot \color{blue}{\left(\sin re \cdot {im}^{2}\right)} - \sin re\right) \]

      5. associate-*r* 85.2%

         \[\leadsto im \cdot \left(\color{blue}{\left(-0.16666666666666666 \cdot \sin re\right) \cdot {im}^{2}} - \sin re\right) \]

      6. distribute-lft-out-- 85.2%

         \[\leadsto \color{blue}{im \cdot \left(\left(-0.16666666666666666 \cdot \sin re\right) \cdot {im}^{2}\right) - im \cdot \sin re} \]

      7. associate-*r* 85.2%

         \[\leadsto im \cdot \color{blue}{\left(-0.16666666666666666 \cdot \left(\sin re \cdot {im}^{2}\right)\right)} - im \cdot \sin re \]

      8. *-commutative 85.2%

         \[\leadsto im \cdot \left(-0.16666666666666666 \cdot \color{blue}{\left({im}^{2} \cdot \sin re\right)}\right) - im \cdot \sin re \]

      9. associate-*r* 85.2%

         \[\leadsto im \cdot \color{blue}{\left(\left(-0.16666666666666666 \cdot {im}^{2}\right) \cdot \sin re\right)} - im \cdot \sin re \]

      10. associate-*r* 87.2%

          \[\leadsto \color{blue}{\left(im \cdot \left(-0.16666666666666666 \cdot {im}^{2}\right)\right) \cdot \sin re} - im \cdot \sin re \]

      11. distribute-rgt-out-- 87.2%

          \[\leadsto \color{blue}{\sin re \cdot \left(im \cdot \left(-0.16666666666666666 \cdot {im}^{2}\right) - im\right)} \]

      12. unsub-neg 87.2%

          \[\leadsto \sin re \cdot \color{blue}{\left(im \cdot \left(-0.16666666666666666 \cdot {im}^{2}\right) + \left(-im\right)\right)} \]

      13. unsub-neg 87.2%

          \[\leadsto \sin re \cdot \color{blue}{\left(im \cdot \left(-0.16666666666666666 \cdot {im}^{2}\right) - im\right)} \]

   5. Simplified 87.2%

      \[\leadsto \color{blue}{\sin re \cdot \left({im}^{3} \cdot -0.16666666666666666 - im\right)} \]

   if 1.5e6 < im < 1.95e96

   1. Initial program 100.0%

      \[\left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \]
   2. Add Preprocessing

   3. Taylor expanded in im around 0 3.3%

      \[\leadsto \color{blue}{-1 \cdot \left(im \cdot \sin re\right)} \]
   4. Step-by-step derivation

      1. associate-*r* 3.3%

         \[\leadsto \color{blue}{\left(-1 \cdot im\right) \cdot \sin re} \]

      2. neg-mul-1 3.3%

         \[\leadsto \color{blue}{\left(-im\right)} \cdot \sin re \]

   5. Simplified 3.3%

      \[\leadsto \color{blue}{\left(-im\right) \cdot \sin re} \]

   6. Taylor expanded in re around 0 25.4%

      \[\leadsto \color{blue}{re \cdot \left(-1 \cdot im + 0.16666666666666666 \cdot \left(im \cdot {re}^{2}\right)\right)} \]
   7. Step-by-step derivation

      1. mul-1-neg 25.4%

         \[\leadsto re \cdot \left(\color{blue}{\left(-im\right)} + 0.16666666666666666 \cdot \left(im \cdot {re}^{2}\right)\right) \]

      2. +-commutative 25.4%

         \[\leadsto re \cdot \color{blue}{\left(0.16666666666666666 \cdot \left(im \cdot {re}^{2}\right) + \left(-im\right)\right)} \]

      3. unsub-neg 25.4%

         \[\leadsto re \cdot \color{blue}{\left(0.16666666666666666 \cdot \left(im \cdot {re}^{2}\right) - im\right)} \]

      4. *-commutative 25.4%

         \[\leadsto re \cdot \left(\color{blue}{\left(im \cdot {re}^{2}\right) \cdot 0.16666666666666666} - im\right) \]

      5. *-commutative 25.4%

         \[\leadsto re \cdot \left(\color{blue}{\left({re}^{2} \cdot im\right)} \cdot 0.16666666666666666 - im\right) \]

      6. associate-*r* 25.4%

         \[\leadsto re \cdot \left(\color{blue}{{re}^{2} \cdot \left(im \cdot 0.16666666666666666\right)} - im\right) \]

   8. Simplified 25.4%

      \[\leadsto \color{blue}{re \cdot \left({re}^{2} \cdot \left(im \cdot 0.16666666666666666\right) - im\right)} \]

   if 1.95e96 < im

   1. Initial program 100.0%

      \[\left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \]
   2. Add Preprocessing

   3. Taylor expanded in im around 0 90.9%

      \[\leadsto \color{blue}{im \cdot \left(-1 \cdot \sin re + -0.16666666666666666 \cdot \left({im}^{2} \cdot \sin re\right)\right)} \]
   4. Step-by-step derivation

      1. associate-*r* 90.9%

         \[\leadsto im \cdot \left(-1 \cdot \sin re + \color{blue}{\left(-0.16666666666666666 \cdot {im}^{2}\right) \cdot \sin re}\right) \]

      2. distribute-rgt-out 90.9%

         \[\leadsto im \cdot \color{blue}{\left(\sin re \cdot \left(-1 + -0.16666666666666666 \cdot {im}^{2}\right)\right)} \]

      3. *-commutative 90.9%

         \[\leadsto im \cdot \left(\sin re \cdot \left(-1 + \color{blue}{{im}^{2} \cdot -0.16666666666666666}\right)\right) \]

   5. Simplified 90.9%

      \[\leadsto \color{blue}{im \cdot \left(\sin re \cdot \left(-1 + {im}^{2} \cdot -0.16666666666666666\right)\right)} \]

   6. Taylor expanded in im around inf 97.7%

      \[\leadsto \color{blue}{-0.16666666666666666 \cdot \left({im}^{3} \cdot \sin re\right)} \]
3. Recombined 3 regimes into one program.

4. Final simplification 83.9%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 1500000:\\ \;\;\;\;\sin re \cdot \left({im}^{3} \cdot -0.16666666666666666 - im\right)\\ \mathbf{elif}\;im \leq 1.95 \cdot 10^{+96}:\\ \;\;\;\;re \cdot \left({re}^{2} \cdot \left(im \cdot 0.16666666666666666\right) - im\right)\\ \mathbf{else}:\\ \;\;\;\;-0.16666666666666666 \cdot \left(\sin re \cdot {im}^{3}\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 5: 77.8% accurate, 2.6× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 1450000:\\ \;\;\;\;im\_m \cdot \left(-\sin re\right)\\ \mathbf{elif}\;im\_m \leq 1.65 \cdot 10^{+66}:\\ \;\;\;\;re \cdot \left({re}^{2} \cdot \left(im\_m \cdot 0.16666666666666666\right) - im\_m\right)\\ \mathbf{else}:\\ \;\;\;\;re \cdot \left({im\_m}^{3} \cdot -0.16666666666666666 - im\_m\right)\\ \end{array} \end{array} \]

FPCore

im\_m = (fabs.f64 im)
im\_s = (copysign.f64 #s(literal 1 binary64) im)
(FPCore (im_s re im_m)
 :precision binary64
 (*
  im_s
  (if (<= im_m 1450000.0)
    (* im_m (- (sin re)))
    (if (<= im_m 1.65e+66)
      (* re (- (* (pow re 2.0) (* im_m 0.16666666666666666)) im_m))
      (* re (- (* (pow im_m 3.0) -0.16666666666666666) im_m))))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 1450000.0) {
		tmp = im_m * -sin(re);
	} else if (im_m <= 1.65e+66) {
		tmp = re * ((pow(re, 2.0) * (im_m * 0.16666666666666666)) - im_m);
	} else {
		tmp = re * ((pow(im_m, 3.0) * -0.16666666666666666) - im_m);
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: tmp
    if (im_m <= 1450000.0d0) then
        tmp = im_m * -sin(re)
    else if (im_m <= 1.65d+66) then
        tmp = re * (((re ** 2.0d0) * (im_m * 0.16666666666666666d0)) - im_m)
    else
        tmp = re * (((im_m ** 3.0d0) * (-0.16666666666666666d0)) - im_m)
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 1450000.0) {
		tmp = im_m * -Math.sin(re);
	} else if (im_m <= 1.65e+66) {
		tmp = re * ((Math.pow(re, 2.0) * (im_m * 0.16666666666666666)) - im_m);
	} else {
		tmp = re * ((Math.pow(im_m, 3.0) * -0.16666666666666666) - im_m);
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	tmp = 0
	if im_m <= 1450000.0:
		tmp = im_m * -math.sin(re)
	elif im_m <= 1.65e+66:
		tmp = re * ((math.pow(re, 2.0) * (im_m * 0.16666666666666666)) - im_m)
	else:
		tmp = re * ((math.pow(im_m, 3.0) * -0.16666666666666666) - im_m)
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	tmp = 0.0
	if (im_m <= 1450000.0)
		tmp = Float64(im_m * Float64(-sin(re)));
	elseif (im_m <= 1.65e+66)
		tmp = Float64(re * Float64(Float64((re ^ 2.0) * Float64(im_m * 0.16666666666666666)) - im_m));
	else
		tmp = Float64(re * Float64(Float64((im_m ^ 3.0) * -0.16666666666666666) - im_m));
	end
	return Float64(im_s * tmp)
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp_2 = code(im_s, re, im_m)
	tmp = 0.0;
	if (im_m <= 1450000.0)
		tmp = im_m * -sin(re);
	elseif (im_m <= 1.65e+66)
		tmp = re * (((re ^ 2.0) * (im_m * 0.16666666666666666)) - im_m);
	else
		tmp = re * (((im_m ^ 3.0) * -0.16666666666666666) - im_m);
	end
	tmp_2 = im_s * tmp;
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := N[(im$95$s * If[LessEqual[im$95$m, 1450000.0], N[(im$95$m * (-N[Sin[re], $MachinePrecision])), $MachinePrecision], If[LessEqual[im$95$m, 1.65e+66], N[(re * N[(N[(N[Power[re, 2.0], $MachinePrecision] * N[(im$95$m * 0.16666666666666666), $MachinePrecision]), $MachinePrecision] - im$95$m), $MachinePrecision]), $MachinePrecision], N[(re * N[(N[(N[Power[im$95$m, 3.0], $MachinePrecision] * -0.16666666666666666), $MachinePrecision] - im$95$m), $MachinePrecision]), $MachinePrecision]]]), $MachinePrecision]

Derivation

1. Split input into 3 regimes

2. if im < 1.45e6

   1. Initial program 56.2%

      \[\left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \]
   2. Add Preprocessing

   3. Taylor expanded in im around 0 65.2%

      \[\leadsto \color{blue}{-1 \cdot \left(im \cdot \sin re\right)} \]
   4. Step-by-step derivation

      1. associate-*r* 65.2%

         \[\leadsto \color{blue}{\left(-1 \cdot im\right) \cdot \sin re} \]

      2. neg-mul-1 65.2%

         \[\leadsto \color{blue}{\left(-im\right)} \cdot \sin re \]

   5. Simplified 65.2%

      \[\leadsto \color{blue}{\left(-im\right) \cdot \sin re} \]

   if 1.45e6 < im < 1.6500000000000001e66

   1. Initial program 100.0%

      \[\left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \]
   2. Add Preprocessing

   3. Taylor expanded in im around 0 3.0%

      \[\leadsto \color{blue}{-1 \cdot \left(im \cdot \sin re\right)} \]
   4. Step-by-step derivation

      1. associate-*r* 3.0%

         \[\leadsto \color{blue}{\left(-1 \cdot im\right) \cdot \sin re} \]

      2. neg-mul-1 3.0%

         \[\leadsto \color{blue}{\left(-im\right)} \cdot \sin re \]

   5. Simplified 3.0%

      \[\leadsto \color{blue}{\left(-im\right) \cdot \sin re} \]

   6. Taylor expanded in re around 0 23.2%

      \[\leadsto \color{blue}{re \cdot \left(-1 \cdot im + 0.16666666666666666 \cdot \left(im \cdot {re}^{2}\right)\right)} \]
   7. Step-by-step derivation

      1. mul-1-neg 23.2%

         \[\leadsto re \cdot \left(\color{blue}{\left(-im\right)} + 0.16666666666666666 \cdot \left(im \cdot {re}^{2}\right)\right) \]

      2. +-commutative 23.2%

         \[\leadsto re \cdot \color{blue}{\left(0.16666666666666666 \cdot \left(im \cdot {re}^{2}\right) + \left(-im\right)\right)} \]

      3. unsub-neg 23.2%

         \[\leadsto re \cdot \color{blue}{\left(0.16666666666666666 \cdot \left(im \cdot {re}^{2}\right) - im\right)} \]

      4. *-commutative 23.2%

         \[\leadsto re \cdot \left(\color{blue}{\left(im \cdot {re}^{2}\right) \cdot 0.16666666666666666} - im\right) \]

      5. *-commutative 23.2%

         \[\leadsto re \cdot \left(\color{blue}{\left({re}^{2} \cdot im\right)} \cdot 0.16666666666666666 - im\right) \]

      6. associate-*r* 23.2%

         \[\leadsto re \cdot \left(\color{blue}{{re}^{2} \cdot \left(im \cdot 0.16666666666666666\right)} - im\right) \]

   8. Simplified 23.2%

      \[\leadsto \color{blue}{re \cdot \left({re}^{2} \cdot \left(im \cdot 0.16666666666666666\right) - im\right)} \]

   if 1.6500000000000001e66 < im

   1. Initial program 100.0%

      \[\left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \]
   2. Add Preprocessing

   3. Taylor expanded in im around 0 77.5%

      \[\leadsto \color{blue}{im \cdot \left(-1 \cdot \sin re + -0.16666666666666666 \cdot \left({im}^{2} \cdot \sin re\right)\right)} \]
   4. Step-by-step derivation

      1. associate-*r* 77.5%

         \[\leadsto im \cdot \left(-1 \cdot \sin re + \color{blue}{\left(-0.16666666666666666 \cdot {im}^{2}\right) \cdot \sin re}\right) \]

      2. distribute-rgt-out 77.5%

         \[\leadsto im \cdot \color{blue}{\left(\sin re \cdot \left(-1 + -0.16666666666666666 \cdot {im}^{2}\right)\right)} \]

      3. *-commutative 77.5%

         \[\leadsto im \cdot \left(\sin re \cdot \left(-1 + \color{blue}{{im}^{2} \cdot -0.16666666666666666}\right)\right) \]

   5. Simplified 77.5%

      \[\leadsto \color{blue}{im \cdot \left(\sin re \cdot \left(-1 + {im}^{2} \cdot -0.16666666666666666\right)\right)} \]

   6. Taylor expanded in re around 0 58.7%

      \[\leadsto \color{blue}{im \cdot \left(re \cdot \left(-0.16666666666666666 \cdot {im}^{2} - 1\right)\right)} \]
   7. Step-by-step derivation

      1. *-commutative 58.7%

         \[\leadsto im \cdot \color{blue}{\left(\left(-0.16666666666666666 \cdot {im}^{2} - 1\right) \cdot re\right)} \]

      2. associate-*r* 64.4%

         \[\leadsto \color{blue}{\left(im \cdot \left(-0.16666666666666666 \cdot {im}^{2} - 1\right)\right) \cdot re} \]

      3. sub-neg 64.4%

         \[\leadsto \left(im \cdot \color{blue}{\left(-0.16666666666666666 \cdot {im}^{2} + \left(-1\right)\right)}\right) \cdot re \]

      4. *-commutative 64.4%

         \[\leadsto \left(im \cdot \left(\color{blue}{{im}^{2} \cdot -0.16666666666666666} + \left(-1\right)\right)\right) \cdot re \]

      5. metadata-eval 64.4%

         \[\leadsto \left(im \cdot \left({im}^{2} \cdot -0.16666666666666666 + \color{blue}{-1}\right)\right) \cdot re \]

      6. distribute-rgt-in 64.4%

         \[\leadsto \color{blue}{\left(\left({im}^{2} \cdot -0.16666666666666666\right) \cdot im + -1 \cdot im\right)} \cdot re \]

      7. mul-1-neg 64.4%

         \[\leadsto \left(\left({im}^{2} \cdot -0.16666666666666666\right) \cdot im + \color{blue}{\left(-im\right)}\right) \cdot re \]

      8. *-commutative 64.4%

         \[\leadsto \left(\color{blue}{\left(-0.16666666666666666 \cdot {im}^{2}\right)} \cdot im + \left(-im\right)\right) \cdot re \]

      9. associate-*r* 64.4%

         \[\leadsto \left(\color{blue}{-0.16666666666666666 \cdot \left({im}^{2} \cdot im\right)} + \left(-im\right)\right) \cdot re \]

      10. unpow2 64.4%

          \[\leadsto \left(-0.16666666666666666 \cdot \left(\color{blue}{\left(im \cdot im\right)} \cdot im\right) + \left(-im\right)\right) \cdot re \]

      11. unpow3 64.4%

          \[\leadsto \left(-0.16666666666666666 \cdot \color{blue}{{im}^{3}} + \left(-im\right)\right) \cdot re \]

      12. sub-neg 64.4%

          \[\leadsto \color{blue}{\left(-0.16666666666666666 \cdot {im}^{3} - im\right)} \cdot re \]

      13. *-commutative 64.4%

          \[\leadsto \color{blue}{re \cdot \left(-0.16666666666666666 \cdot {im}^{3} - im\right)} \]

   8. Simplified 64.4%

      \[\leadsto \color{blue}{re \cdot \left(-0.16666666666666666 \cdot {im}^{3} - im\right)} \]
3. Recombined 3 regimes into one program.

4. Final simplification 62.8%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 1450000:\\ \;\;\;\;im \cdot \left(-\sin re\right)\\ \mathbf{elif}\;im \leq 1.65 \cdot 10^{+66}:\\ \;\;\;\;re \cdot \left({re}^{2} \cdot \left(im \cdot 0.16666666666666666\right) - im\right)\\ \mathbf{else}:\\ \;\;\;\;re \cdot \left({im}^{3} \cdot -0.16666666666666666 - im\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 6: 77.1% accurate, 2.7× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 4.6 \cdot 10^{+20}:\\ \;\;\;\;im\_m \cdot \left(-\sin re\right)\\ \mathbf{else}:\\ \;\;\;\;re \cdot \left({im\_m}^{3} \cdot -0.16666666666666666 - im\_m\right)\\ \end{array} \end{array} \]

FPCore

im\_m = (fabs.f64 im)
im\_s = (copysign.f64 #s(literal 1 binary64) im)
(FPCore (im_s re im_m)
 :precision binary64
 (*
  im_s
  (if (<= im_m 4.6e+20)
    (* im_m (- (sin re)))
    (* re (- (* (pow im_m 3.0) -0.16666666666666666) im_m)))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 4.6e+20) {
		tmp = im_m * -sin(re);
	} else {
		tmp = re * ((pow(im_m, 3.0) * -0.16666666666666666) - im_m);
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: tmp
    if (im_m <= 4.6d+20) then
        tmp = im_m * -sin(re)
    else
        tmp = re * (((im_m ** 3.0d0) * (-0.16666666666666666d0)) - im_m)
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 4.6e+20) {
		tmp = im_m * -Math.sin(re);
	} else {
		tmp = re * ((Math.pow(im_m, 3.0) * -0.16666666666666666) - im_m);
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	tmp = 0
	if im_m <= 4.6e+20:
		tmp = im_m * -math.sin(re)
	else:
		tmp = re * ((math.pow(im_m, 3.0) * -0.16666666666666666) - im_m)
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	tmp = 0.0
	if (im_m <= 4.6e+20)
		tmp = Float64(im_m * Float64(-sin(re)));
	else
		tmp = Float64(re * Float64(Float64((im_m ^ 3.0) * -0.16666666666666666) - im_m));
	end
	return Float64(im_s * tmp)
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp_2 = code(im_s, re, im_m)
	tmp = 0.0;
	if (im_m <= 4.6e+20)
		tmp = im_m * -sin(re);
	else
		tmp = re * (((im_m ^ 3.0) * -0.16666666666666666) - im_m);
	end
	tmp_2 = im_s * tmp;
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := N[(im$95$s * If[LessEqual[im$95$m, 4.6e+20], N[(im$95$m * (-N[Sin[re], $MachinePrecision])), $MachinePrecision], N[(re * N[(N[(N[Power[im$95$m, 3.0], $MachinePrecision] * -0.16666666666666666), $MachinePrecision] - im$95$m), $MachinePrecision]), $MachinePrecision]]), $MachinePrecision]

Derivation

1. Split input into 2 regimes

2. if im < 4.6e20

   1. Initial program 56.6%

      \[\left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \]
   2. Add Preprocessing

   3. Taylor expanded in im around 0 64.6%

      \[\leadsto \color{blue}{-1 \cdot \left(im \cdot \sin re\right)} \]
   4. Step-by-step derivation

      1. associate-*r* 64.6%

         \[\leadsto \color{blue}{\left(-1 \cdot im\right) \cdot \sin re} \]

      2. neg-mul-1 64.6%

         \[\leadsto \color{blue}{\left(-im\right)} \cdot \sin re \]

   5. Simplified 64.6%

      \[\leadsto \color{blue}{\left(-im\right) \cdot \sin re} \]

   if 4.6e20 < im

   1. Initial program 100.0%

      \[\left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \]
   2. Add Preprocessing

   3. Taylor expanded in im around 0 63.2%

      \[\leadsto \color{blue}{im \cdot \left(-1 \cdot \sin re + -0.16666666666666666 \cdot \left({im}^{2} \cdot \sin re\right)\right)} \]
   4. Step-by-step derivation

      1. associate-*r* 63.2%

         \[\leadsto im \cdot \left(-1 \cdot \sin re + \color{blue}{\left(-0.16666666666666666 \cdot {im}^{2}\right) \cdot \sin re}\right) \]

      2. distribute-rgt-out 63.2%

         \[\leadsto im \cdot \color{blue}{\left(\sin re \cdot \left(-1 + -0.16666666666666666 \cdot {im}^{2}\right)\right)} \]

      3. *-commutative 63.2%

         \[\leadsto im \cdot \left(\sin re \cdot \left(-1 + \color{blue}{{im}^{2} \cdot -0.16666666666666666}\right)\right) \]

   5. Simplified 63.2%

      \[\leadsto \color{blue}{im \cdot \left(\sin re \cdot \left(-1 + {im}^{2} \cdot -0.16666666666666666\right)\right)} \]

   6. Taylor expanded in re around 0 49.5%

      \[\leadsto \color{blue}{im \cdot \left(re \cdot \left(-0.16666666666666666 \cdot {im}^{2} - 1\right)\right)} \]
   7. Step-by-step derivation

      1. *-commutative 49.5%

         \[\leadsto im \cdot \color{blue}{\left(\left(-0.16666666666666666 \cdot {im}^{2} - 1\right) \cdot re\right)} \]

      2. associate-*r* 54.1%

         \[\leadsto \color{blue}{\left(im \cdot \left(-0.16666666666666666 \cdot {im}^{2} - 1\right)\right) \cdot re} \]

      3. sub-neg 54.1%

         \[\leadsto \left(im \cdot \color{blue}{\left(-0.16666666666666666 \cdot {im}^{2} + \left(-1\right)\right)}\right) \cdot re \]

      4. *-commutative 54.1%

         \[\leadsto \left(im \cdot \left(\color{blue}{{im}^{2} \cdot -0.16666666666666666} + \left(-1\right)\right)\right) \cdot re \]

      5. metadata-eval 54.1%

         \[\leadsto \left(im \cdot \left({im}^{2} \cdot -0.16666666666666666 + \color{blue}{-1}\right)\right) \cdot re \]

      6. distribute-rgt-in 54.1%

         \[\leadsto \color{blue}{\left(\left({im}^{2} \cdot -0.16666666666666666\right) \cdot im + -1 \cdot im\right)} \cdot re \]

      7. mul-1-neg 54.1%

         \[\leadsto \left(\left({im}^{2} \cdot -0.16666666666666666\right) \cdot im + \color{blue}{\left(-im\right)}\right) \cdot re \]

      8. *-commutative 54.1%

         \[\leadsto \left(\color{blue}{\left(-0.16666666666666666 \cdot {im}^{2}\right)} \cdot im + \left(-im\right)\right) \cdot re \]

      9. associate-*r* 54.1%

         \[\leadsto \left(\color{blue}{-0.16666666666666666 \cdot \left({im}^{2} \cdot im\right)} + \left(-im\right)\right) \cdot re \]

      10. unpow2 54.1%

          \[\leadsto \left(-0.16666666666666666 \cdot \left(\color{blue}{\left(im \cdot im\right)} \cdot im\right) + \left(-im\right)\right) \cdot re \]

      11. unpow3 54.1%

          \[\leadsto \left(-0.16666666666666666 \cdot \color{blue}{{im}^{3}} + \left(-im\right)\right) \cdot re \]

      12. sub-neg 54.1%

          \[\leadsto \color{blue}{\left(-0.16666666666666666 \cdot {im}^{3} - im\right)} \cdot re \]

      13. *-commutative 54.1%

          \[\leadsto \color{blue}{re \cdot \left(-0.16666666666666666 \cdot {im}^{3} - im\right)} \]

   8. Simplified 54.1%

      \[\leadsto \color{blue}{re \cdot \left(-0.16666666666666666 \cdot {im}^{3} - im\right)} \]
3. Recombined 2 regimes into one program.

4. Final simplification 62.0%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 4.6 \cdot 10^{+20}:\\ \;\;\;\;im \cdot \left(-\sin re\right)\\ \mathbf{else}:\\ \;\;\;\;re \cdot \left({im}^{3} \cdot -0.16666666666666666 - im\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 7: 77.1% accurate, 2.8× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 4.5 \cdot 10^{+20}:\\ \;\;\;\;im\_m \cdot \left(-\sin re\right)\\ \mathbf{else}:\\ \;\;\;\;-0.16666666666666666 \cdot \left(re \cdot {im\_m}^{3}\right)\\ \end{array} \end{array} \]

FPCore

im\_m = (fabs.f64 im)
im\_s = (copysign.f64 #s(literal 1 binary64) im)
(FPCore (im_s re im_m)
 :precision binary64
 (*
  im_s
  (if (<= im_m 4.5e+20)
    (* im_m (- (sin re)))
    (* -0.16666666666666666 (* re (pow im_m 3.0))))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 4.5e+20) {
		tmp = im_m * -sin(re);
	} else {
		tmp = -0.16666666666666666 * (re * pow(im_m, 3.0));
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: tmp
    if (im_m <= 4.5d+20) then
        tmp = im_m * -sin(re)
    else
        tmp = (-0.16666666666666666d0) * (re * (im_m ** 3.0d0))
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 4.5e+20) {
		tmp = im_m * -Math.sin(re);
	} else {
		tmp = -0.16666666666666666 * (re * Math.pow(im_m, 3.0));
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	tmp = 0
	if im_m <= 4.5e+20:
		tmp = im_m * -math.sin(re)
	else:
		tmp = -0.16666666666666666 * (re * math.pow(im_m, 3.0))
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	tmp = 0.0
	if (im_m <= 4.5e+20)
		tmp = Float64(im_m * Float64(-sin(re)));
	else
		tmp = Float64(-0.16666666666666666 * Float64(re * (im_m ^ 3.0)));
	end
	return Float64(im_s * tmp)
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp_2 = code(im_s, re, im_m)
	tmp = 0.0;
	if (im_m <= 4.5e+20)
		tmp = im_m * -sin(re);
	else
		tmp = -0.16666666666666666 * (re * (im_m ^ 3.0));
	end
	tmp_2 = im_s * tmp;
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := N[(im$95$s * If[LessEqual[im$95$m, 4.5e+20], N[(im$95$m * (-N[Sin[re], $MachinePrecision])), $MachinePrecision], N[(-0.16666666666666666 * N[(re * N[Power[im$95$m, 3.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]), $MachinePrecision]

Derivation

1. Split input into 2 regimes

2. if im < 4.5e20

   1. Initial program 56.6%

      \[\left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \]
   2. Add Preprocessing

   3. Taylor expanded in im around 0 64.6%

      \[\leadsto \color{blue}{-1 \cdot \left(im \cdot \sin re\right)} \]
   4. Step-by-step derivation

      1. associate-*r* 64.6%

         \[\leadsto \color{blue}{\left(-1 \cdot im\right) \cdot \sin re} \]

      2. neg-mul-1 64.6%

         \[\leadsto \color{blue}{\left(-im\right)} \cdot \sin re \]

   5. Simplified 64.6%

      \[\leadsto \color{blue}{\left(-im\right) \cdot \sin re} \]

   if 4.5e20 < im

   1. Initial program 100.0%

      \[\left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \]
   2. Add Preprocessing

   3. Taylor expanded in im around 0 63.2%

      \[\leadsto \color{blue}{im \cdot \left(-1 \cdot \sin re + -0.16666666666666666 \cdot \left({im}^{2} \cdot \sin re\right)\right)} \]
   4. Step-by-step derivation

      1. associate-*r* 63.2%

         \[\leadsto im \cdot \left(-1 \cdot \sin re + \color{blue}{\left(-0.16666666666666666 \cdot {im}^{2}\right) \cdot \sin re}\right) \]

      2. distribute-rgt-out 63.2%

         \[\leadsto im \cdot \color{blue}{\left(\sin re \cdot \left(-1 + -0.16666666666666666 \cdot {im}^{2}\right)\right)} \]

      3. *-commutative 63.2%

         \[\leadsto im \cdot \left(\sin re \cdot \left(-1 + \color{blue}{{im}^{2} \cdot -0.16666666666666666}\right)\right) \]

   5. Simplified 63.2%

      \[\leadsto \color{blue}{im \cdot \left(\sin re \cdot \left(-1 + {im}^{2} \cdot -0.16666666666666666\right)\right)} \]

   6. Taylor expanded in im around inf 67.8%

      \[\leadsto \color{blue}{-0.16666666666666666 \cdot \left({im}^{3} \cdot \sin re\right)} \]

   7. Taylor expanded in re around 0 54.1%

      \[\leadsto \color{blue}{-0.16666666666666666 \cdot \left({im}^{3} \cdot re\right)} \]
3. Recombined 2 regimes into one program.

4. Final simplification 62.0%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 4.5 \cdot 10^{+20}:\\ \;\;\;\;im \cdot \left(-\sin re\right)\\ \mathbf{else}:\\ \;\;\;\;-0.16666666666666666 \cdot \left(re \cdot {im}^{3}\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 8: 56.3% accurate, 2.8× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 1.05 \cdot 10^{+66}:\\ \;\;\;\;im\_m \cdot \left(-\sin re\right)\\ \mathbf{else}:\\ \;\;\;\;\left(-im\_m\right) \cdot re\\ \end{array} \end{array} \]

FPCore

im\_m = (fabs.f64 im)
im\_s = (copysign.f64 #s(literal 1 binary64) im)
(FPCore (im_s re im_m)
 :precision binary64
 (* im_s (if (<= im_m 1.05e+66) (* im_m (- (sin re))) (* (- im_m) re))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 1.05e+66) {
		tmp = im_m * -sin(re);
	} else {
		tmp = -im_m * re;
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: tmp
    if (im_m <= 1.05d+66) then
        tmp = im_m * -sin(re)
    else
        tmp = -im_m * re
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 1.05e+66) {
		tmp = im_m * -Math.sin(re);
	} else {
		tmp = -im_m * re;
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	tmp = 0
	if im_m <= 1.05e+66:
		tmp = im_m * -math.sin(re)
	else:
		tmp = -im_m * re
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	tmp = 0.0
	if (im_m <= 1.05e+66)
		tmp = Float64(im_m * Float64(-sin(re)));
	else
		tmp = Float64(Float64(-im_m) * re);
	end
	return Float64(im_s * tmp)
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp_2 = code(im_s, re, im_m)
	tmp = 0.0;
	if (im_m <= 1.05e+66)
		tmp = im_m * -sin(re);
	else
		tmp = -im_m * re;
	end
	tmp_2 = im_s * tmp;
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := N[(im$95$s * If[LessEqual[im$95$m, 1.05e+66], N[(im$95$m * (-N[Sin[re], $MachinePrecision])), $MachinePrecision], N[((-im$95$m) * re), $MachinePrecision]]), $MachinePrecision]

Derivation

1. Split input into 2 regimes

2. if im < 1.05000000000000003e66

   1. Initial program 59.2%

      \[\left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \]
   2. Add Preprocessing

   3. Taylor expanded in im around 0 61.0%

      \[\leadsto \color{blue}{-1 \cdot \left(im \cdot \sin re\right)} \]
   4. Step-by-step derivation

      1. associate-*r* 61.0%

         \[\leadsto \color{blue}{\left(-1 \cdot im\right) \cdot \sin re} \]

      2. neg-mul-1 61.0%

         \[\leadsto \color{blue}{\left(-im\right)} \cdot \sin re \]

   5. Simplified 61.0%

      \[\leadsto \color{blue}{\left(-im\right) \cdot \sin re} \]

   if 1.05000000000000003e66 < im

   1. Initial program 100.0%

      \[\left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \]
   2. Add Preprocessing

   3. Taylor expanded in im around 0 5.0%

      \[\leadsto \color{blue}{-1 \cdot \left(im \cdot \sin re\right)} \]
   4. Step-by-step derivation

      1. associate-*r* 5.0%

         \[\leadsto \color{blue}{\left(-1 \cdot im\right) \cdot \sin re} \]

      2. neg-mul-1 5.0%

         \[\leadsto \color{blue}{\left(-im\right)} \cdot \sin re \]

   5. Simplified 5.0%

      \[\leadsto \color{blue}{\left(-im\right) \cdot \sin re} \]

   6. Taylor expanded in re around 0 24.2%

      \[\leadsto \color{blue}{-1 \cdot \left(im \cdot re\right)} \]
   7. Step-by-step derivation

      1. associate-*r* 24.2%

         \[\leadsto \color{blue}{\left(-1 \cdot im\right) \cdot re} \]

      2. mul-1-neg 24.2%

         \[\leadsto \color{blue}{\left(-im\right)} \cdot re \]

   8. Simplified 24.2%

      \[\leadsto \color{blue}{\left(-im\right) \cdot re} \]
3. Recombined 2 regimes into one program.

4. Final simplification 53.8%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 1.05 \cdot 10^{+66}:\\ \;\;\;\;im \cdot \left(-\sin re\right)\\ \mathbf{else}:\\ \;\;\;\;\left(-im\right) \cdot re\\ \end{array} \]
5. Add Preprocessing

Alternative 9: 32.4% accurate, 77.0× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \left(\left(-im\_m\right) \cdot re\right) \end{array} \]

FPCore

im\_m = (fabs.f64 im)
im\_s = (copysign.f64 #s(literal 1 binary64) im)
(FPCore (im_s re im_m) :precision binary64 (* im_s (* (- im_m) re)))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	return im_s * (-im_m * re);
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    code = im_s * (-im_m * re)
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	return im_s * (-im_m * re);
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	return im_s * (-im_m * re)

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	return Float64(im_s * Float64(Float64(-im_m) * re))
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp = code(im_s, re, im_m)
	tmp = im_s * (-im_m * re);
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := N[(im$95$s * N[((-im$95$m) * re), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 67.1%

   \[\left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \]
2. Add Preprocessing

3. Taylor expanded in im around 0 50.1%

   \[\leadsto \color{blue}{-1 \cdot \left(im \cdot \sin re\right)} \]
4. Step-by-step derivation

   1. associate-*r* 50.1%

      \[\leadsto \color{blue}{\left(-1 \cdot im\right) \cdot \sin re} \]

   2. neg-mul-1 50.1%

      \[\leadsto \color{blue}{\left(-im\right)} \cdot \sin re \]

5. Simplified 50.1%

   \[\leadsto \color{blue}{\left(-im\right) \cdot \sin re} \]

6. Taylor expanded in re around 0 33.1%

   \[\leadsto \color{blue}{-1 \cdot \left(im \cdot re\right)} \]
7. Step-by-step derivation

   1. associate-*r* 33.1%

      \[\leadsto \color{blue}{\left(-1 \cdot im\right) \cdot re} \]

   2. mul-1-neg 33.1%

      \[\leadsto \color{blue}{\left(-im\right)} \cdot re \]

8. Simplified 33.1%

   \[\leadsto \color{blue}{\left(-im\right) \cdot re} \]

9. Final simplification 33.1%

   \[\leadsto \left(-im\right) \cdot re \]
10. Add Preprocessing

Developer target: 99.8% accurate, 0.7× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;\left|im\right| < 1:\\ \;\;\;\;-\sin re \cdot \left(\left(im + \left(\left(0.16666666666666666 \cdot im\right) \cdot im\right) \cdot im\right) + \left(\left(\left(\left(0.008333333333333333 \cdot im\right) \cdot im\right) \cdot im\right) \cdot im\right) \cdot im\right)\\ \mathbf{else}:\\ \;\;\;\;\left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right)\\ \end{array} \end{array} \]

FPCore

(FPCore (re im)
 :precision binary64
 (if (< (fabs im) 1.0)
   (-
    (*
     (sin re)
     (+
      (+ im (* (* (* 0.16666666666666666 im) im) im))
      (* (* (* (* (* 0.008333333333333333 im) im) im) im) im))))
   (* (* 0.5 (sin re)) (- (exp (- im)) (exp im)))))

C

double code(double re, double im) {
	double tmp;
	if (fabs(im) < 1.0) {
		tmp = -(sin(re) * ((im + (((0.16666666666666666 * im) * im) * im)) + (((((0.008333333333333333 * im) * im) * im) * im) * im)));
	} else {
		tmp = (0.5 * sin(re)) * (exp(-im) - exp(im));
	}
	return tmp;
}

Fortran

real(8) function code(re, im)
    real(8), intent (in) :: re
    real(8), intent (in) :: im
    real(8) :: tmp
    if (abs(im) < 1.0d0) then
        tmp = -(sin(re) * ((im + (((0.16666666666666666d0 * im) * im) * im)) + (((((0.008333333333333333d0 * im) * im) * im) * im) * im)))
    else
        tmp = (0.5d0 * sin(re)) * (exp(-im) - exp(im))
    end if
    code = tmp
end function

Java

public static double code(double re, double im) {
	double tmp;
	if (Math.abs(im) < 1.0) {
		tmp = -(Math.sin(re) * ((im + (((0.16666666666666666 * im) * im) * im)) + (((((0.008333333333333333 * im) * im) * im) * im) * im)));
	} else {
		tmp = (0.5 * Math.sin(re)) * (Math.exp(-im) - Math.exp(im));
	}
	return tmp;
}

Python

def code(re, im):
	tmp = 0
	if math.fabs(im) < 1.0:
		tmp = -(math.sin(re) * ((im + (((0.16666666666666666 * im) * im) * im)) + (((((0.008333333333333333 * im) * im) * im) * im) * im)))
	else:
		tmp = (0.5 * math.sin(re)) * (math.exp(-im) - math.exp(im))
	return tmp

Julia

function code(re, im)
	tmp = 0.0
	if (abs(im) < 1.0)
		tmp = Float64(-Float64(sin(re) * Float64(Float64(im + Float64(Float64(Float64(0.16666666666666666 * im) * im) * im)) + Float64(Float64(Float64(Float64(Float64(0.008333333333333333 * im) * im) * im) * im) * im))));
	else
		tmp = Float64(Float64(0.5 * sin(re)) * Float64(exp(Float64(-im)) - exp(im)));
	end
	return tmp
end

MATLAB

function tmp_2 = code(re, im)
	tmp = 0.0;
	if (abs(im) < 1.0)
		tmp = -(sin(re) * ((im + (((0.16666666666666666 * im) * im) * im)) + (((((0.008333333333333333 * im) * im) * im) * im) * im)));
	else
		tmp = (0.5 * sin(re)) * (exp(-im) - exp(im));
	end
	tmp_2 = tmp;
end

Wolfram

code[re_, im_] := If[Less[N[Abs[im], $MachinePrecision], 1.0], (-N[(N[Sin[re], $MachinePrecision] * N[(N[(im + N[(N[(N[(0.16666666666666666 * im), $MachinePrecision] * im), $MachinePrecision] * im), $MachinePrecision]), $MachinePrecision] + N[(N[(N[(N[(N[(0.008333333333333333 * im), $MachinePrecision] * im), $MachinePrecision] * im), $MachinePrecision] * im), $MachinePrecision] * im), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), N[(N[(0.5 * N[Sin[re], $MachinePrecision]), $MachinePrecision] * N[(N[Exp[(-im)], $MachinePrecision] - N[Exp[im], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]

Reproduce

herbie shell --seed 2024067 
(FPCore (re im)
  :name "math.cos on complex, imaginary part"
  :precision binary64

  :alt
  (if (< (fabs im) 1.0) (- (* (sin re) (+ (+ im (* (* (* 0.16666666666666666 im) im) im)) (* (* (* (* (* 0.008333333333333333 im) im) im) im) im)))) (* (* 0.5 (sin re)) (- (exp (- im)) (exp im))))

  (* (* 0.5 (sin re)) (- (exp (- im)) (exp im))))