FastMath test3

Percentage Accurate: 97.8% → 99.0%

Time: 5.7s

Alternatives: 7

Speedup: 1.6×

• 20.1% of points produce a very large (infinite) output. You may want to add a precondition.

Specification

Math

\[\begin{array}{l} \\ \left(d1 \cdot 3 + d1 \cdot d2\right) + d1 \cdot d3 \end{array} \]

FPCore

(FPCore (d1 d2 d3) :precision binary64 (+ (+ (* d1 3.0) (* d1 d2)) (* d1 d3)))

C

double code(double d1, double d2, double d3) {
	return ((d1 * 3.0) + (d1 * d2)) + (d1 * d3);
}

Fortran

real(8) function code(d1, d2, d3)
    real(8), intent (in) :: d1
    real(8), intent (in) :: d2
    real(8), intent (in) :: d3
    code = ((d1 * 3.0d0) + (d1 * d2)) + (d1 * d3)
end function

Java

public static double code(double d1, double d2, double d3) {
	return ((d1 * 3.0) + (d1 * d2)) + (d1 * d3);
}

Python

def code(d1, d2, d3):
	return ((d1 * 3.0) + (d1 * d2)) + (d1 * d3)

Julia

function code(d1, d2, d3)
	return Float64(Float64(Float64(d1 * 3.0) + Float64(d1 * d2)) + Float64(d1 * d3))
end

MATLAB

function tmp = code(d1, d2, d3)
	tmp = ((d1 * 3.0) + (d1 * d2)) + (d1 * d3);
end

Wolfram

code[d1_, d2_, d3_] := N[(N[(N[(d1 * 3.0), $MachinePrecision] + N[(d1 * d2), $MachinePrecision]), $MachinePrecision] + N[(d1 * d3), $MachinePrecision]), $MachinePrecision]

Initial Program: 97.8% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \left(d1 \cdot 3 + d1 \cdot d2\right) + d1 \cdot d3 \end{array} \]

FPCore

(FPCore (d1 d2 d3) :precision binary64 (+ (+ (* d1 3.0) (* d1 d2)) (* d1 d3)))

C

double code(double d1, double d2, double d3) {
	return ((d1 * 3.0) + (d1 * d2)) + (d1 * d3);
}

Fortran

real(8) function code(d1, d2, d3)
    real(8), intent (in) :: d1
    real(8), intent (in) :: d2
    real(8), intent (in) :: d3
    code = ((d1 * 3.0d0) + (d1 * d2)) + (d1 * d3)
end function

Java

public static double code(double d1, double d2, double d3) {
	return ((d1 * 3.0) + (d1 * d2)) + (d1 * d3);
}

Python

def code(d1, d2, d3):
	return ((d1 * 3.0) + (d1 * d2)) + (d1 * d3)

Julia

function code(d1, d2, d3)
	return Float64(Float64(Float64(d1 * 3.0) + Float64(d1 * d2)) + Float64(d1 * d3))
end

MATLAB

function tmp = code(d1, d2, d3)
	tmp = ((d1 * 3.0) + (d1 * d2)) + (d1 * d3);
end

Wolfram

code[d1_, d2_, d3_] := N[(N[(N[(d1 * 3.0), $MachinePrecision] + N[(d1 * d2), $MachinePrecision]), $MachinePrecision] + N[(d1 * d3), $MachinePrecision]), $MachinePrecision]

Alternative 1: 99.0% accurate, 0.1× speedup

Math

\[\begin{array}{l} \\ \mathsf{fma}\left(3 + d2, d1, d1 \cdot d3\right) \end{array} \]

FPCore

(FPCore (d1 d2 d3) :precision binary64 (fma (+ 3.0 d2) d1 (* d1 d3)))

C

double code(double d1, double d2, double d3) {
	return fma((3.0 + d2), d1, (d1 * d3));
}

Julia

function code(d1, d2, d3)
	return fma(Float64(3.0 + d2), d1, Float64(d1 * d3))
end

Wolfram

code[d1_, d2_, d3_] := N[(N[(3.0 + d2), $MachinePrecision] * d1 + N[(d1 * d3), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 99.1%

   \[\left(d1 \cdot 3 + d1 \cdot d2\right) + d1 \cdot d3 \]
2. Step-by-step derivation

   1. distribute-lft-out 99.1%

      \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} + d1 \cdot d3 \]

   2. distribute-lft-out 99.9%

      \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]

3. Simplified 99.9%

   \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]
4. Add Preprocessing
5. Step-by-step derivation

   1. distribute-rgt-in 99.1%

      \[\leadsto \color{blue}{\left(3 + d2\right) \cdot d1 + d3 \cdot d1} \]

   2. *-commutative 99.1%

      \[\leadsto \left(3 + d2\right) \cdot d1 + \color{blue}{d1 \cdot d3} \]

   3. fma-define 100.0%

      \[\leadsto \color{blue}{\mathsf{fma}\left(3 + d2, d1, d1 \cdot d3\right)} \]

6. Applied egg-rr 100.0%

   \[\leadsto \color{blue}{\mathsf{fma}\left(3 + d2, d1, d1 \cdot d3\right)} \]

7. Final simplification 100.0%

   \[\leadsto \mathsf{fma}\left(3 + d2, d1, d1 \cdot d3\right) \]
8. Add Preprocessing

Alternative 2: 50.7% accurate, 0.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;d2 \leq -3:\\ \;\;\;\;d2 \cdot d1\\ \mathbf{elif}\;d2 \leq 1.9 \cdot 10^{-272}:\\ \;\;\;\;3 \cdot d1\\ \mathbf{else}:\\ \;\;\;\;d1 \cdot d3\\ \end{array} \end{array} \]

FPCore

(FPCore (d1 d2 d3)
 :precision binary64
 (if (<= d2 -3.0) (* d2 d1) (if (<= d2 1.9e-272) (* 3.0 d1) (* d1 d3))))

C

double code(double d1, double d2, double d3) {
	double tmp;
	if (d2 <= -3.0) {
		tmp = d2 * d1;
	} else if (d2 <= 1.9e-272) {
		tmp = 3.0 * d1;
	} else {
		tmp = d1 * d3;
	}
	return tmp;
}

Fortran

real(8) function code(d1, d2, d3)
    real(8), intent (in) :: d1
    real(8), intent (in) :: d2
    real(8), intent (in) :: d3
    real(8) :: tmp
    if (d2 <= (-3.0d0)) then
        tmp = d2 * d1
    else if (d2 <= 1.9d-272) then
        tmp = 3.0d0 * d1
    else
        tmp = d1 * d3
    end if
    code = tmp
end function

Java

public static double code(double d1, double d2, double d3) {
	double tmp;
	if (d2 <= -3.0) {
		tmp = d2 * d1;
	} else if (d2 <= 1.9e-272) {
		tmp = 3.0 * d1;
	} else {
		tmp = d1 * d3;
	}
	return tmp;
}

Python

def code(d1, d2, d3):
	tmp = 0
	if d2 <= -3.0:
		tmp = d2 * d1
	elif d2 <= 1.9e-272:
		tmp = 3.0 * d1
	else:
		tmp = d1 * d3
	return tmp

Julia

function code(d1, d2, d3)
	tmp = 0.0
	if (d2 <= -3.0)
		tmp = Float64(d2 * d1);
	elseif (d2 <= 1.9e-272)
		tmp = Float64(3.0 * d1);
	else
		tmp = Float64(d1 * d3);
	end
	return tmp
end

MATLAB

function tmp_2 = code(d1, d2, d3)
	tmp = 0.0;
	if (d2 <= -3.0)
		tmp = d2 * d1;
	elseif (d2 <= 1.9e-272)
		tmp = 3.0 * d1;
	else
		tmp = d1 * d3;
	end
	tmp_2 = tmp;
end

Wolfram

code[d1_, d2_, d3_] := If[LessEqual[d2, -3.0], N[(d2 * d1), $MachinePrecision], If[LessEqual[d2, 1.9e-272], N[(3.0 * d1), $MachinePrecision], N[(d1 * d3), $MachinePrecision]]]

Derivation

1. Split input into 3 regimes

2. if d2 < -3

   1. Initial program 97.4%

      \[\left(d1 \cdot 3 + d1 \cdot d2\right) + d1 \cdot d3 \]
   2. Step-by-step derivation

      1. distribute-lft-out 97.4%

         \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} + d1 \cdot d3 \]

      2. distribute-lft-out 100.0%

         \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]

   3. Simplified 100.0%

      \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]
   4. Add Preprocessing

   5. Taylor expanded in d2 around inf 74.8%

      \[\leadsto \color{blue}{d1 \cdot d2} \]

   if -3 < d2 < 1.89999999999999985e-272

   1. Initial program 99.8%

      \[\left(d1 \cdot 3 + d1 \cdot d2\right) + d1 \cdot d3 \]
   2. Step-by-step derivation

      1. distribute-lft-out 99.8%

         \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} + d1 \cdot d3 \]

      2. distribute-lft-out 99.8%

         \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]

   3. Simplified 99.8%

      \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]
   4. Add Preprocessing

   5. Taylor expanded in d3 around 0 58.2%

      \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} \]

   6. Taylor expanded in d2 around 0 57.7%

      \[\leadsto \color{blue}{3 \cdot d1} \]
   7. Step-by-step derivation

      1. *-commutative 57.7%

         \[\leadsto \color{blue}{d1 \cdot 3} \]

   8. Simplified 57.7%

      \[\leadsto \color{blue}{d1 \cdot 3} \]

   if 1.89999999999999985e-272 < d2

   1. Initial program 99.9%

      \[\left(d1 \cdot 3 + d1 \cdot d2\right) + d1 \cdot d3 \]
   2. Step-by-step derivation

      1. distribute-lft-out 99.9%

         \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} + d1 \cdot d3 \]

      2. distribute-lft-out 99.9%

         \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]

   3. Simplified 99.9%

      \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]
   4. Add Preprocessing

   5. Taylor expanded in d3 around inf 40.4%

      \[\leadsto \color{blue}{d1 \cdot d3} \]
3. Recombined 3 regimes into one program.

4. Final simplification 55.9%

   \[\leadsto \begin{array}{l} \mathbf{if}\;d2 \leq -3:\\ \;\;\;\;d2 \cdot d1\\ \mathbf{elif}\;d2 \leq 1.9 \cdot 10^{-272}:\\ \;\;\;\;3 \cdot d1\\ \mathbf{else}:\\ \;\;\;\;d1 \cdot d3\\ \end{array} \]
5. Add Preprocessing

Alternative 3: 75.3% accurate, 1.1× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;d3 \leq 3800000:\\ \;\;\;\;\left(3 + d2\right) \cdot d1\\ \mathbf{else}:\\ \;\;\;\;d1 \cdot d3\\ \end{array} \end{array} \]

FPCore

(FPCore (d1 d2 d3)
 :precision binary64
 (if (<= d3 3800000.0) (* (+ 3.0 d2) d1) (* d1 d3)))

C

double code(double d1, double d2, double d3) {
	double tmp;
	if (d3 <= 3800000.0) {
		tmp = (3.0 + d2) * d1;
	} else {
		tmp = d1 * d3;
	}
	return tmp;
}

Fortran

real(8) function code(d1, d2, d3)
    real(8), intent (in) :: d1
    real(8), intent (in) :: d2
    real(8), intent (in) :: d3
    real(8) :: tmp
    if (d3 <= 3800000.0d0) then
        tmp = (3.0d0 + d2) * d1
    else
        tmp = d1 * d3
    end if
    code = tmp
end function

Java

public static double code(double d1, double d2, double d3) {
	double tmp;
	if (d3 <= 3800000.0) {
		tmp = (3.0 + d2) * d1;
	} else {
		tmp = d1 * d3;
	}
	return tmp;
}

Python

def code(d1, d2, d3):
	tmp = 0
	if d3 <= 3800000.0:
		tmp = (3.0 + d2) * d1
	else:
		tmp = d1 * d3
	return tmp

Julia

function code(d1, d2, d3)
	tmp = 0.0
	if (d3 <= 3800000.0)
		tmp = Float64(Float64(3.0 + d2) * d1);
	else
		tmp = Float64(d1 * d3);
	end
	return tmp
end

MATLAB

function tmp_2 = code(d1, d2, d3)
	tmp = 0.0;
	if (d3 <= 3800000.0)
		tmp = (3.0 + d2) * d1;
	else
		tmp = d1 * d3;
	end
	tmp_2 = tmp;
end

Wolfram

code[d1_, d2_, d3_] := If[LessEqual[d3, 3800000.0], N[(N[(3.0 + d2), $MachinePrecision] * d1), $MachinePrecision], N[(d1 * d3), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if d3 < 3.8e6

   1. Initial program 99.9%

      \[\left(d1 \cdot 3 + d1 \cdot d2\right) + d1 \cdot d3 \]
   2. Step-by-step derivation

      1. distribute-lft-out 99.9%

         \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} + d1 \cdot d3 \]

      2. distribute-lft-out 99.9%

         \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]

   3. Simplified 99.9%

      \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]
   4. Add Preprocessing

   5. Taylor expanded in d3 around 0 77.0%

      \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} \]

   if 3.8e6 < d3

   1. Initial program 96.9%

      \[\left(d1 \cdot 3 + d1 \cdot d2\right) + d1 \cdot d3 \]
   2. Step-by-step derivation

      1. distribute-lft-out 96.9%

         \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} + d1 \cdot d3 \]

      2. distribute-lft-out 100.0%

         \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]

   3. Simplified 100.0%

      \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]
   4. Add Preprocessing

   5. Taylor expanded in d3 around inf 71.8%

      \[\leadsto \color{blue}{d1 \cdot d3} \]
3. Recombined 2 regimes into one program.

4. Final simplification 75.7%

   \[\leadsto \begin{array}{l} \mathbf{if}\;d3 \leq 3800000:\\ \;\;\;\;\left(3 + d2\right) \cdot d1\\ \mathbf{else}:\\ \;\;\;\;d1 \cdot d3\\ \end{array} \]
5. Add Preprocessing

Alternative 4: 75.2% accurate, 1.1× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;d2 \leq -0.78:\\ \;\;\;\;\left(3 + d2\right) \cdot d1\\ \mathbf{else}:\\ \;\;\;\;d1 \cdot \left(3 + d3\right)\\ \end{array} \end{array} \]

FPCore

(FPCore (d1 d2 d3)
 :precision binary64
 (if (<= d2 -0.78) (* (+ 3.0 d2) d1) (* d1 (+ 3.0 d3))))

C

double code(double d1, double d2, double d3) {
	double tmp;
	if (d2 <= -0.78) {
		tmp = (3.0 + d2) * d1;
	} else {
		tmp = d1 * (3.0 + d3);
	}
	return tmp;
}

Fortran

real(8) function code(d1, d2, d3)
    real(8), intent (in) :: d1
    real(8), intent (in) :: d2
    real(8), intent (in) :: d3
    real(8) :: tmp
    if (d2 <= (-0.78d0)) then
        tmp = (3.0d0 + d2) * d1
    else
        tmp = d1 * (3.0d0 + d3)
    end if
    code = tmp
end function

Java

public static double code(double d1, double d2, double d3) {
	double tmp;
	if (d2 <= -0.78) {
		tmp = (3.0 + d2) * d1;
	} else {
		tmp = d1 * (3.0 + d3);
	}
	return tmp;
}

Python

def code(d1, d2, d3):
	tmp = 0
	if d2 <= -0.78:
		tmp = (3.0 + d2) * d1
	else:
		tmp = d1 * (3.0 + d3)
	return tmp

Julia

function code(d1, d2, d3)
	tmp = 0.0
	if (d2 <= -0.78)
		tmp = Float64(Float64(3.0 + d2) * d1);
	else
		tmp = Float64(d1 * Float64(3.0 + d3));
	end
	return tmp
end

MATLAB

function tmp_2 = code(d1, d2, d3)
	tmp = 0.0;
	if (d2 <= -0.78)
		tmp = (3.0 + d2) * d1;
	else
		tmp = d1 * (3.0 + d3);
	end
	tmp_2 = tmp;
end

Wolfram

code[d1_, d2_, d3_] := If[LessEqual[d2, -0.78], N[(N[(3.0 + d2), $MachinePrecision] * d1), $MachinePrecision], N[(d1 * N[(3.0 + d3), $MachinePrecision]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if d2 < -0.78000000000000003

   1. Initial program 97.4%

      \[\left(d1 \cdot 3 + d1 \cdot d2\right) + d1 \cdot d3 \]
   2. Step-by-step derivation

      1. distribute-lft-out 97.4%

         \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} + d1 \cdot d3 \]

      2. distribute-lft-out 100.0%

         \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]

   3. Simplified 100.0%

      \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]
   4. Add Preprocessing

   5. Taylor expanded in d3 around 0 75.7%

      \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} \]

   if -0.78000000000000003 < d2

   1. Initial program 99.9%

      \[\left(d1 \cdot 3 + d1 \cdot d2\right) + d1 \cdot d3 \]
   2. Step-by-step derivation

      1. distribute-lft-out 99.9%

         \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} + d1 \cdot d3 \]

      2. distribute-lft-out 99.9%

         \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]

   3. Simplified 99.9%

      \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]
   4. Add Preprocessing

   5. Taylor expanded in d2 around 0 76.9%

      \[\leadsto \color{blue}{d1 \cdot \left(3 + d3\right)} \]
3. Recombined 2 regimes into one program.

4. Final simplification 76.5%

   \[\leadsto \begin{array}{l} \mathbf{if}\;d2 \leq -0.78:\\ \;\;\;\;\left(3 + d2\right) \cdot d1\\ \mathbf{else}:\\ \;\;\;\;d1 \cdot \left(3 + d3\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 5: 44.5% accurate, 1.4× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;d2 \leq -3:\\ \;\;\;\;d2 \cdot d1\\ \mathbf{else}:\\ \;\;\;\;3 \cdot d1\\ \end{array} \end{array} \]

FPCore

(FPCore (d1 d2 d3) :precision binary64 (if (<= d2 -3.0) (* d2 d1) (* 3.0 d1)))

C

double code(double d1, double d2, double d3) {
	double tmp;
	if (d2 <= -3.0) {
		tmp = d2 * d1;
	} else {
		tmp = 3.0 * d1;
	}
	return tmp;
}

Fortran

real(8) function code(d1, d2, d3)
    real(8), intent (in) :: d1
    real(8), intent (in) :: d2
    real(8), intent (in) :: d3
    real(8) :: tmp
    if (d2 <= (-3.0d0)) then
        tmp = d2 * d1
    else
        tmp = 3.0d0 * d1
    end if
    code = tmp
end function

Java

public static double code(double d1, double d2, double d3) {
	double tmp;
	if (d2 <= -3.0) {
		tmp = d2 * d1;
	} else {
		tmp = 3.0 * d1;
	}
	return tmp;
}

Python

def code(d1, d2, d3):
	tmp = 0
	if d2 <= -3.0:
		tmp = d2 * d1
	else:
		tmp = 3.0 * d1
	return tmp

Julia

function code(d1, d2, d3)
	tmp = 0.0
	if (d2 <= -3.0)
		tmp = Float64(d2 * d1);
	else
		tmp = Float64(3.0 * d1);
	end
	return tmp
end

MATLAB

function tmp_2 = code(d1, d2, d3)
	tmp = 0.0;
	if (d2 <= -3.0)
		tmp = d2 * d1;
	else
		tmp = 3.0 * d1;
	end
	tmp_2 = tmp;
end

Wolfram

code[d1_, d2_, d3_] := If[LessEqual[d2, -3.0], N[(d2 * d1), $MachinePrecision], N[(3.0 * d1), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if d2 < -3

   1. Initial program 97.4%

      \[\left(d1 \cdot 3 + d1 \cdot d2\right) + d1 \cdot d3 \]
   2. Step-by-step derivation

      1. distribute-lft-out 97.4%

         \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} + d1 \cdot d3 \]

      2. distribute-lft-out 100.0%

         \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]

   3. Simplified 100.0%

      \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]
   4. Add Preprocessing

   5. Taylor expanded in d2 around inf 74.8%

      \[\leadsto \color{blue}{d1 \cdot d2} \]

   if -3 < d2

   1. Initial program 99.9%

      \[\left(d1 \cdot 3 + d1 \cdot d2\right) + d1 \cdot d3 \]
   2. Step-by-step derivation

      1. distribute-lft-out 99.9%

         \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} + d1 \cdot d3 \]

      2. distribute-lft-out 99.9%

         \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]

   3. Simplified 99.9%

      \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]
   4. Add Preprocessing

   5. Taylor expanded in d3 around 0 60.6%

      \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} \]

   6. Taylor expanded in d2 around 0 38.1%

      \[\leadsto \color{blue}{3 \cdot d1} \]
   7. Step-by-step derivation

      1. *-commutative 38.1%

         \[\leadsto \color{blue}{d1 \cdot 3} \]

   8. Simplified 38.1%

      \[\leadsto \color{blue}{d1 \cdot 3} \]
3. Recombined 2 regimes into one program.

4. Final simplification 49.3%

   \[\leadsto \begin{array}{l} \mathbf{if}\;d2 \leq -3:\\ \;\;\;\;d2 \cdot d1\\ \mathbf{else}:\\ \;\;\;\;3 \cdot d1\\ \end{array} \]
5. Add Preprocessing

Alternative 6: 99.9% accurate, 1.6× speedup

Math

\[\begin{array}{l} \\ d1 \cdot \left(\left(3 + d2\right) + d3\right) \end{array} \]

FPCore

(FPCore (d1 d2 d3) :precision binary64 (* d1 (+ (+ 3.0 d2) d3)))

C

double code(double d1, double d2, double d3) {
	return d1 * ((3.0 + d2) + d3);
}

Fortran

real(8) function code(d1, d2, d3)
    real(8), intent (in) :: d1
    real(8), intent (in) :: d2
    real(8), intent (in) :: d3
    code = d1 * ((3.0d0 + d2) + d3)
end function

Java

public static double code(double d1, double d2, double d3) {
	return d1 * ((3.0 + d2) + d3);
}

Python

def code(d1, d2, d3):
	return d1 * ((3.0 + d2) + d3)

Julia

function code(d1, d2, d3)
	return Float64(d1 * Float64(Float64(3.0 + d2) + d3))
end

MATLAB

function tmp = code(d1, d2, d3)
	tmp = d1 * ((3.0 + d2) + d3);
end

Wolfram

code[d1_, d2_, d3_] := N[(d1 * N[(N[(3.0 + d2), $MachinePrecision] + d3), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 99.1%

   \[\left(d1 \cdot 3 + d1 \cdot d2\right) + d1 \cdot d3 \]
2. Step-by-step derivation

   1. distribute-lft-out 99.1%

      \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} + d1 \cdot d3 \]

   2. distribute-lft-out 99.9%

      \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]

3. Simplified 99.9%

   \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]
4. Add Preprocessing

5. Final simplification 99.9%

   \[\leadsto d1 \cdot \left(\left(3 + d2\right) + d3\right) \]
6. Add Preprocessing

Alternative 7: 26.4% accurate, 3.7× speedup

Math

\[\begin{array}{l} \\ 3 \cdot d1 \end{array} \]

FPCore

(FPCore (d1 d2 d3) :precision binary64 (* 3.0 d1))

C

double code(double d1, double d2, double d3) {
	return 3.0 * d1;
}

Fortran

real(8) function code(d1, d2, d3)
    real(8), intent (in) :: d1
    real(8), intent (in) :: d2
    real(8), intent (in) :: d3
    code = 3.0d0 * d1
end function

Java

public static double code(double d1, double d2, double d3) {
	return 3.0 * d1;
}

Python

def code(d1, d2, d3):
	return 3.0 * d1

Julia

function code(d1, d2, d3)
	return Float64(3.0 * d1)
end

MATLAB

function tmp = code(d1, d2, d3)
	tmp = 3.0 * d1;
end

Wolfram

code[d1_, d2_, d3_] := N[(3.0 * d1), $MachinePrecision]

Derivation

1. Initial program 99.1%

   \[\left(d1 \cdot 3 + d1 \cdot d2\right) + d1 \cdot d3 \]
2. Step-by-step derivation

   1. distribute-lft-out 99.1%

      \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} + d1 \cdot d3 \]

   2. distribute-lft-out 99.9%

      \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]

3. Simplified 99.9%

   \[\leadsto \color{blue}{d1 \cdot \left(\left(3 + d2\right) + d3\right)} \]
4. Add Preprocessing

5. Taylor expanded in d3 around 0 65.2%

   \[\leadsto \color{blue}{d1 \cdot \left(3 + d2\right)} \]

6. Taylor expanded in d2 around 0 27.0%

   \[\leadsto \color{blue}{3 \cdot d1} \]
7. Step-by-step derivation

   1. *-commutative 27.0%

      \[\leadsto \color{blue}{d1 \cdot 3} \]

8. Simplified 27.0%

   \[\leadsto \color{blue}{d1 \cdot 3} \]

9. Final simplification 27.0%

   \[\leadsto 3 \cdot d1 \]
10. Add Preprocessing

Developer target: 99.9% accurate, 1.6× speedup

Math

\[\begin{array}{l} \\ d1 \cdot \left(\left(3 + d2\right) + d3\right) \end{array} \]

FPCore

(FPCore (d1 d2 d3) :precision binary64 (* d1 (+ (+ 3.0 d2) d3)))

C

double code(double d1, double d2, double d3) {
	return d1 * ((3.0 + d2) + d3);
}

Fortran

real(8) function code(d1, d2, d3)
    real(8), intent (in) :: d1
    real(8), intent (in) :: d2
    real(8), intent (in) :: d3
    code = d1 * ((3.0d0 + d2) + d3)
end function

Java

public static double code(double d1, double d2, double d3) {
	return d1 * ((3.0 + d2) + d3);
}

Python

def code(d1, d2, d3):
	return d1 * ((3.0 + d2) + d3)

Julia

function code(d1, d2, d3)
	return Float64(d1 * Float64(Float64(3.0 + d2) + d3))
end

MATLAB

function tmp = code(d1, d2, d3)
	tmp = d1 * ((3.0 + d2) + d3);
end

Wolfram

code[d1_, d2_, d3_] := N[(d1 * N[(N[(3.0 + d2), $MachinePrecision] + d3), $MachinePrecision]), $MachinePrecision]

Reproduce

herbie shell --seed 2024084 
(FPCore (d1 d2 d3)
  :name "FastMath test3"
  :precision binary64

  :alt
  (* d1 (+ (+ 3.0 d2) d3))

  (+ (+ (* d1 3.0) (* d1 d2)) (* d1 d3)))