math.cos on complex, imaginary part

Percentage Accurate: 65.4% → 99.3%

Time: 8.6s

Alternatives: 12

Speedup: 2.8×

• 49.1% 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: 65.4% 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: 99.3% accurate, 0.6× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ \begin{array}{l} t_0 := e^{-im\_m} - e^{im\_m}\\ im\_s \cdot \begin{array}{l} \mathbf{if}\;t\_0 \leq -\infty:\\ \;\;\;\;t\_0 \cdot \left(0.5 \cdot \sin re\right)\\ \mathbf{else}:\\ \;\;\;\;\sin re \cdot \left({im\_m}^{3} \cdot -0.16666666666666666 - im\_m\right)\\ \end{array} \end{array} \end{array} \]

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 (- INFINITY))
      (* t_0 (* 0.5 (sin re)))
      (* (sin 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 t_0 = exp(-im_m) - exp(im_m);
	double tmp;
	if (t_0 <= -((double) INFINITY)) {
		tmp = t_0 * (0.5 * sin(re));
	} else {
		tmp = sin(re) * ((pow(im_m, 3.0) * -0.16666666666666666) - im_m);
	}
	return im_s * tmp;
}

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 <= -Double.POSITIVE_INFINITY) {
		tmp = t_0 * (0.5 * Math.sin(re));
	} else {
		tmp = Math.sin(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):
	t_0 = math.exp(-im_m) - math.exp(im_m)
	tmp = 0
	if t_0 <= -math.inf:
		tmp = t_0 * (0.5 * math.sin(re))
	else:
		tmp = math.sin(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)
	t_0 = Float64(exp(Float64(-im_m)) - exp(im_m))
	tmp = 0.0
	if (t_0 <= Float64(-Inf))
		tmp = Float64(t_0 * Float64(0.5 * sin(re)));
	else
		tmp = Float64(sin(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)
	t_0 = exp(-im_m) - exp(im_m);
	tmp = 0.0;
	if (t_0 <= -Inf)
		tmp = t_0 * (0.5 * sin(re));
	else
		tmp = sin(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_] := 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, (-Infinity)], N[(t$95$0 * N[(0.5 * N[Sin[re], $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(N[Sin[re], $MachinePrecision] * 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 (-.f64 (exp.f64 (neg.f64 im)) (exp.f64 im)) < -inf.0

   1. Initial program 100.0%

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

   if -inf.0 < (-.f64 (exp.f64 (neg.f64 im)) (exp.f64 im))

   1. Initial program 58.0%

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

   3. Taylor expanded in im around 0 85.0%

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

      1. +-commutative 85.0%

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

      2. mul-1-neg 85.0%

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

      3. unsub-neg 85.0%

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

      4. *-commutative 85.0%

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

      5. associate-*r* 85.0%

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

      6. distribute-lft-out-- 85.0%

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

      7. associate-*r* 85.0%

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

      8. *-commutative 85.0%

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

      9. associate-*r* 85.0%

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

      10. associate-*r* 86.9%

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

      11. distribute-rgt-out-- 86.9%

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

      12. unsub-neg 86.9%

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

      13. unsub-neg 86.9%

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

      14. *-commutative 86.9%

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

      15. associate-*r* 86.9%

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

   5. Simplified 86.9%

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

4. Final simplification 89.8%

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

Alternative 2: 95.5% accurate, 1.4× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 0.14:\\ \;\;\;\;\sin re \cdot \left({im\_m}^{3} \cdot -0.16666666666666666 - im\_m\right)\\ \mathbf{elif}\;im\_m \leq 5.8 \cdot 10^{+102}:\\ \;\;\;\;\left(e^{-im\_m} - e^{im\_m}\right) \cdot \left(0.5 \cdot re\right)\\ \mathbf{else}:\\ \;\;\;\;-0.16666666666666666 \cdot \left(\sin re \cdot {im\_m}^{3}\right)\\ \end{array} \end{array} \]

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 0.14)
    (* (sin re) (- (* (pow im_m 3.0) -0.16666666666666666) im_m))
    (if (<= im_m 5.8e+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 <= 0.14) {
		tmp = sin(re) * ((pow(im_m, 3.0) * -0.16666666666666666) - im_m);
	} else if (im_m <= 5.8e+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 <= 0.14d0) then
        tmp = sin(re) * (((im_m ** 3.0d0) * (-0.16666666666666666d0)) - im_m)
    else if (im_m <= 5.8d+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 <= 0.14) {
		tmp = Math.sin(re) * ((Math.pow(im_m, 3.0) * -0.16666666666666666) - im_m);
	} else if (im_m <= 5.8e+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 <= 0.14:
		tmp = math.sin(re) * ((math.pow(im_m, 3.0) * -0.16666666666666666) - im_m)
	elif im_m <= 5.8e+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 <= 0.14)
		tmp = Float64(sin(re) * Float64(Float64((im_m ^ 3.0) * -0.16666666666666666) - im_m));
	elseif (im_m <= 5.8e+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 <= 0.14)
		tmp = sin(re) * (((im_m ^ 3.0) * -0.16666666666666666) - im_m);
	elseif (im_m <= 5.8e+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, 0.14], 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, 5.8e+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 < 0.14000000000000001

   1. Initial program 58.0%

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

   3. Taylor expanded in im around 0 85.0%

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

      1. +-commutative 85.0%

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

      2. mul-1-neg 85.0%

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

      3. unsub-neg 85.0%

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

      4. *-commutative 85.0%

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

      5. associate-*r* 85.0%

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

      6. distribute-lft-out-- 85.0%

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

      7. associate-*r* 85.0%

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

      8. *-commutative 85.0%

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

      9. associate-*r* 85.0%

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

      10. associate-*r* 86.9%

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

      11. distribute-rgt-out-- 86.9%

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

      12. unsub-neg 86.9%

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

      13. unsub-neg 86.9%

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

      14. *-commutative 86.9%

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

      15. associate-*r* 86.9%

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

   5. Simplified 86.9%

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

   if 0.14000000000000001 < im < 5.8000000000000005e102

   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 78.9%

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

      1. associate-*r* 78.9%

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

      2. *-commutative 78.9%

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

   5. Simplified 78.9%

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

   if 5.8000000000000005e102 < 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 85.1%

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

      1. associate-*r* 85.1%

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

      2. distribute-rgt-out 85.1%

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

      3. *-commutative 85.1%

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

   5. Simplified 85.1%

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

   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 88.2%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 0.14:\\ \;\;\;\;\sin re \cdot \left({im}^{3} \cdot -0.16666666666666666 - im\right)\\ \mathbf{elif}\;im \leq 5.8 \cdot 10^{+102}:\\ \;\;\;\;\left(e^{-im} - e^{im}\right) \cdot \left(0.5 \cdot re\right)\\ \mathbf{else}:\\ \;\;\;\;-0.16666666666666666 \cdot \left(\sin re \cdot {im}^{3}\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 3: 87.2% accurate, 1.4× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 1.7 \cdot 10^{+24}:\\ \;\;\;\;im\_m \cdot \left(-\sin re\right)\\ \mathbf{elif}\;im\_m \leq 2.2 \cdot 10^{+76}:\\ \;\;\;\;\mathsf{log1p}\left(\mathsf{expm1}\left(im\_m \cdot 0.16666666666666666\right)\right)\\ \mathbf{else}:\\ \;\;\;\;-0.16666666666666666 \cdot \left(\sin re \cdot {im\_m}^{3}\right)\\ \end{array} \end{array} \]

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 1.7e+24)
    (* im_m (- (sin re)))
    (if (<= im_m 2.2e+76)
      (log1p (expm1 (* im_m 0.16666666666666666)))
      (* -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 <= 1.7e+24) {
		tmp = im_m * -sin(re);
	} else if (im_m <= 2.2e+76) {
		tmp = log1p(expm1((im_m * 0.16666666666666666)));
	} else {
		tmp = -0.16666666666666666 * (sin(re) * pow(im_m, 3.0));
	}
	return im_s * tmp;
}

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 <= 1.7e+24) {
		tmp = im_m * -Math.sin(re);
	} else if (im_m <= 2.2e+76) {
		tmp = Math.log1p(Math.expm1((im_m * 0.16666666666666666)));
	} 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 <= 1.7e+24:
		tmp = im_m * -math.sin(re)
	elif im_m <= 2.2e+76:
		tmp = math.log1p(math.expm1((im_m * 0.16666666666666666)))
	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 <= 1.7e+24)
		tmp = Float64(im_m * Float64(-sin(re)));
	elseif (im_m <= 2.2e+76)
		tmp = log1p(expm1(Float64(im_m * 0.16666666666666666)));
	else
		tmp = Float64(-0.16666666666666666 * Float64(sin(re) * (im_m ^ 3.0)));
	end
	return Float64(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, 1.7e+24], N[(im$95$m * (-N[Sin[re], $MachinePrecision])), $MachinePrecision], If[LessEqual[im$95$m, 2.2e+76], N[Log[1 + N[(Exp[N[(im$95$m * 0.16666666666666666), $MachinePrecision]] - 1), $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 < 1.7e24

   1. Initial program 58.8%

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

   3. Taylor expanded in im around 0 59.8%

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

      1. associate-*r* 59.8%

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

      2. neg-mul-1 59.8%

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

   5. Simplified 59.8%

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

   if 1.7e24 < im < 2.2e76

   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 4.4%

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

      1. associate-*r* 4.4%

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

      2. distribute-rgt-out 4.4%

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

      3. *-commutative 4.4%

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

   5. Simplified 4.4%

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

   7. Applied egg-rr 1.2%

      \[\leadsto im \cdot \color{blue}{0.16666666666666666} \]
   8. Step-by-step derivation

      1. log1p-expm1-u 22.2%

         \[\leadsto \color{blue}{\mathsf{log1p}\left(\mathsf{expm1}\left(im \cdot 0.16666666666666666\right)\right)} \]

   9. Applied egg-rr 22.2%

      \[\leadsto \color{blue}{\mathsf{log1p}\left(\mathsf{expm1}\left(im \cdot 0.16666666666666666\right)\right)} \]

   if 2.2e76 < 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 74.3%

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

      1. associate-*r* 74.3%

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

      2. distribute-rgt-out 74.3%

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

      3. *-commutative 74.3%

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

   5. Simplified 74.3%

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

   6. Taylor expanded in im around inf 87.2%

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

4. Final simplification 63.2%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 1.7 \cdot 10^{+24}:\\ \;\;\;\;im \cdot \left(-\sin re\right)\\ \mathbf{elif}\;im \leq 2.2 \cdot 10^{+76}:\\ \;\;\;\;\mathsf{log1p}\left(\mathsf{expm1}\left(im \cdot 0.16666666666666666\right)\right)\\ \mathbf{else}:\\ \;\;\;\;-0.16666666666666666 \cdot \left(\sin re \cdot {im}^{3}\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 4: 78.4% accurate, 1.4× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 6 \cdot 10^{+24}:\\ \;\;\;\;im\_m \cdot \left(-\sin re\right)\\ \mathbf{elif}\;im\_m \leq 1.25 \cdot 10^{+48}:\\ \;\;\;\;\mathsf{log1p}\left(\mathsf{expm1}\left(im\_m \cdot 0.16666666666666666\right)\right)\\ \mathbf{else}:\\ \;\;\;\;re \cdot \left({im\_m}^{3} \cdot -0.16666666666666666\right)\\ \end{array} \end{array} \]

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 6e+24)
    (* im_m (- (sin re)))
    (if (<= im_m 1.25e+48)
      (log1p (expm1 (* im_m 0.16666666666666666)))
      (* re (* (pow im_m 3.0) -0.16666666666666666))))))

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 <= 6e+24) {
		tmp = im_m * -sin(re);
	} else if (im_m <= 1.25e+48) {
		tmp = log1p(expm1((im_m * 0.16666666666666666)));
	} else {
		tmp = re * (pow(im_m, 3.0) * -0.16666666666666666);
	}
	return im_s * tmp;
}

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 <= 6e+24) {
		tmp = im_m * -Math.sin(re);
	} else if (im_m <= 1.25e+48) {
		tmp = Math.log1p(Math.expm1((im_m * 0.16666666666666666)));
	} else {
		tmp = re * (Math.pow(im_m, 3.0) * -0.16666666666666666);
	}
	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 <= 6e+24:
		tmp = im_m * -math.sin(re)
	elif im_m <= 1.25e+48:
		tmp = math.log1p(math.expm1((im_m * 0.16666666666666666)))
	else:
		tmp = re * (math.pow(im_m, 3.0) * -0.16666666666666666)
	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 <= 6e+24)
		tmp = Float64(im_m * Float64(-sin(re)));
	elseif (im_m <= 1.25e+48)
		tmp = log1p(expm1(Float64(im_m * 0.16666666666666666)));
	else
		tmp = Float64(re * Float64((im_m ^ 3.0) * -0.16666666666666666));
	end
	return Float64(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, 6e+24], N[(im$95$m * (-N[Sin[re], $MachinePrecision])), $MachinePrecision], If[LessEqual[im$95$m, 1.25e+48], N[Log[1 + N[(Exp[N[(im$95$m * 0.16666666666666666), $MachinePrecision]] - 1), $MachinePrecision]], $MachinePrecision], N[(re * N[(N[Power[im$95$m, 3.0], $MachinePrecision] * -0.16666666666666666), $MachinePrecision]), $MachinePrecision]]]), $MachinePrecision]

Derivation

1. Split input into 3 regimes

2. if im < 5.9999999999999999e24

   1. Initial program 58.8%

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

   3. Taylor expanded in im around 0 59.8%

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

      1. associate-*r* 59.8%

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

      2. neg-mul-1 59.8%

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

   5. Simplified 59.8%

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

   if 5.9999999999999999e24 < im < 1.24999999999999993e48

   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 3.4%

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

      1. associate-*r* 3.4%

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

      2. distribute-rgt-out 3.4%

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

      3. *-commutative 3.4%

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

   5. Simplified 3.4%

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

   7. Applied egg-rr 1.3%

      \[\leadsto im \cdot \color{blue}{0.16666666666666666} \]
   8. Step-by-step derivation

      1. log1p-expm1-u 25.0%

         \[\leadsto \color{blue}{\mathsf{log1p}\left(\mathsf{expm1}\left(im \cdot 0.16666666666666666\right)\right)} \]

   9. Applied egg-rr 25.0%

      \[\leadsto \color{blue}{\mathsf{log1p}\left(\mathsf{expm1}\left(im \cdot 0.16666666666666666\right)\right)} \]

   if 1.24999999999999993e48 < 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 67.3%

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

      1. associate-*r* 67.3%

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

      2. distribute-rgt-out 67.3%

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

      3. *-commutative 67.3%

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

   5. Simplified 67.3%

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

   6. Taylor expanded in re around 0 58.3%

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

      1. *-commutative 58.3%

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

      2. associate-*r* 69.9%

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

      3. *-commutative 69.9%

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

      4. sub-neg 69.9%

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

      5. metadata-eval 69.9%

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

      6. distribute-rgt-in 69.9%

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

      7. neg-mul-1 69.9%

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

      8. associate-*r* 69.9%

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

      9. unpow2 69.9%

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

      10. unpow3 69.9%

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

      11. sub-neg 69.9%

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

   8. Simplified 69.9%

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

   9. Taylor expanded in im around inf 69.9%

      \[\leadsto \color{blue}{-0.16666666666666666 \cdot \left({im}^{3} \cdot re\right)} \]
   10. Step-by-step derivation

       1. associate-*r* 69.9%

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

       2. *-commutative 69.9%

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

   11. Simplified 69.9%

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

4. Final simplification 61.2%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 6 \cdot 10^{+24}:\\ \;\;\;\;im \cdot \left(-\sin re\right)\\ \mathbf{elif}\;im \leq 1.25 \cdot 10^{+48}:\\ \;\;\;\;\mathsf{log1p}\left(\mathsf{expm1}\left(im \cdot 0.16666666666666666\right)\right)\\ \mathbf{else}:\\ \;\;\;\;re \cdot \left({im}^{3} \cdot -0.16666666666666666\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 5: 83.5% accurate, 1.5× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \left(\sin re \cdot \left({im\_m}^{3} \cdot -0.16666666666666666 - im\_m\right)\right) \end{array} \]

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 (* (sin 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) {
	return im_s * (sin(re) * ((pow(im_m, 3.0) * -0.16666666666666666) - im_m));
}

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 * (sin(re) * (((im_m ** 3.0d0) * (-0.16666666666666666d0)) - im_m))
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 * (Math.sin(re) * ((Math.pow(im_m, 3.0) * -0.16666666666666666) - im_m));
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	return im_s * (math.sin(re) * ((math.pow(im_m, 3.0) * -0.16666666666666666) - im_m))

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	return Float64(im_s * Float64(sin(re) * Float64(Float64((im_m ^ 3.0) * -0.16666666666666666) - im_m)))
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp = code(im_s, re, im_m)
	tmp = im_s * (sin(re) * (((im_m ^ 3.0) * -0.16666666666666666) - im_m));
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[(N[Sin[re], $MachinePrecision] * N[(N[(N[Power[im$95$m, 3.0], $MachinePrecision] * -0.16666666666666666), $MachinePrecision] - im$95$m), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 67.3%

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

3. Taylor expanded in im around 0 79.0%

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

   1. +-commutative 79.0%

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

   2. mul-1-neg 79.0%

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

   3. unsub-neg 79.0%

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

   4. *-commutative 79.0%

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

   5. associate-*r* 79.0%

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

   6. distribute-lft-out-- 79.0%

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

   7. associate-*r* 79.0%

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

   8. *-commutative 79.0%

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

   9. associate-*r* 79.0%

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

   10. associate-*r* 82.7%

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

   11. distribute-rgt-out-- 82.7%

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

   12. unsub-neg 82.7%

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

   13. unsub-neg 82.7%

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

   14. *-commutative 82.7%

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

   15. associate-*r* 82.7%

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

5. Simplified 82.7%

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

Alternative 6: 76.7% accurate, 2.8× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 4.5 \cdot 10^{+39}:\\ \;\;\;\;im\_m \cdot \left(-\sin re\right)\\ \mathbf{else}:\\ \;\;\;\;re \cdot \left({im\_m}^{3} \cdot -0.16666666666666666\right)\\ \end{array} \end{array} \]

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+39)
    (* im_m (- (sin re)))
    (* re (* (pow im_m 3.0) -0.16666666666666666)))))

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+39) {
		tmp = im_m * -sin(re);
	} else {
		tmp = re * (pow(im_m, 3.0) * -0.16666666666666666);
	}
	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+39) then
        tmp = im_m * -sin(re)
    else
        tmp = re * ((im_m ** 3.0d0) * (-0.16666666666666666d0))
    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+39) {
		tmp = im_m * -Math.sin(re);
	} else {
		tmp = re * (Math.pow(im_m, 3.0) * -0.16666666666666666);
	}
	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+39:
		tmp = im_m * -math.sin(re)
	else:
		tmp = re * (math.pow(im_m, 3.0) * -0.16666666666666666)
	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+39)
		tmp = Float64(im_m * Float64(-sin(re)));
	else
		tmp = Float64(re * Float64((im_m ^ 3.0) * -0.16666666666666666));
	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+39)
		tmp = im_m * -sin(re);
	else
		tmp = re * ((im_m ^ 3.0) * -0.16666666666666666);
	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+39], N[(im$95$m * (-N[Sin[re], $MachinePrecision])), $MachinePrecision], N[(re * N[(N[Power[im$95$m, 3.0], $MachinePrecision] * -0.16666666666666666), $MachinePrecision]), $MachinePrecision]]), $MachinePrecision]

Derivation

1. Split input into 2 regimes

2. if im < 4.49999999999999996e39

   1. Initial program 59.6%

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

   3. Taylor expanded in im around 0 58.7%

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

      1. associate-*r* 58.7%

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

      2. neg-mul-1 58.7%

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

   5. Simplified 58.7%

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

   if 4.49999999999999996e39 < 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 67.3%

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

      1. associate-*r* 67.3%

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

      2. distribute-rgt-out 67.3%

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

      3. *-commutative 67.3%

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

   5. Simplified 67.3%

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

   6. Taylor expanded in re around 0 58.3%

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

      1. *-commutative 58.3%

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

      2. associate-*r* 69.9%

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

      3. *-commutative 69.9%

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

      4. sub-neg 69.9%

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

      5. metadata-eval 69.9%

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

      6. distribute-rgt-in 69.9%

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

      7. neg-mul-1 69.9%

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

      8. associate-*r* 69.9%

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

      9. unpow2 69.9%

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

      10. unpow3 69.9%

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

      11. sub-neg 69.9%

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

   8. Simplified 69.9%

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

   9. Taylor expanded in im around inf 69.9%

      \[\leadsto \color{blue}{-0.16666666666666666 \cdot \left({im}^{3} \cdot re\right)} \]
   10. Step-by-step derivation

       1. associate-*r* 69.9%

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

       2. *-commutative 69.9%

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

   11. Simplified 69.9%

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

4. Final simplification 60.8%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 4.5 \cdot 10^{+39}:\\ \;\;\;\;im \cdot \left(-\sin re\right)\\ \mathbf{else}:\\ \;\;\;\;re \cdot \left({im}^{3} \cdot -0.16666666666666666\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 7: 76.7% accurate, 2.8× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 4.5 \cdot 10^{+39}:\\ \;\;\;\;im\_m \cdot \left(-\sin re\right)\\ \mathbf{else}:\\ \;\;\;\;-0.16666666666666666 \cdot \left(re \cdot {im\_m}^{3}\right)\\ \end{array} \end{array} \]

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+39)
    (* 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+39) {
		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+39) 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+39) {
		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+39:
		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+39)
		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+39)
		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+39], 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 < 4.49999999999999996e39

   1. Initial program 59.6%

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

   3. Taylor expanded in im around 0 58.7%

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

      1. associate-*r* 58.7%

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

      2. neg-mul-1 58.7%

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

   5. Simplified 58.7%

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

   if 4.49999999999999996e39 < 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 67.3%

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

      1. associate-*r* 67.3%

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

      2. distribute-rgt-out 67.3%

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

      3. *-commutative 67.3%

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

   5. Simplified 67.3%

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

   6. Taylor expanded in re around 0 58.3%

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

      1. *-commutative 58.3%

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

      2. associate-*r* 69.9%

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

      3. *-commutative 69.9%

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

      4. sub-neg 69.9%

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

      5. metadata-eval 69.9%

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

      6. distribute-rgt-in 69.9%

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

      7. neg-mul-1 69.9%

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

      8. associate-*r* 69.9%

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

      9. unpow2 69.9%

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

      10. unpow3 69.9%

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

      11. sub-neg 69.9%

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

   8. Simplified 69.9%

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

   9. Taylor expanded in im around inf 69.9%

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

4. Final simplification 60.8%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 4.5 \cdot 10^{+39}:\\ \;\;\;\;im \cdot \left(-\sin re\right)\\ \mathbf{else}:\\ \;\;\;\;-0.16666666666666666 \cdot \left(re \cdot {im}^{3}\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 8: 57.4% accurate, 2.8× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 7.2 \cdot 10^{+46}:\\ \;\;\;\;im\_m \cdot \left(-\sin re\right)\\ \mathbf{else}:\\ \;\;\;\;im\_m \cdot \left(-re\right)\\ \end{array} \end{array} \]

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 7.2e+46) (* 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 <= 7.2e+46) {
		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 <= 7.2d+46) 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 <= 7.2e+46) {
		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 <= 7.2e+46:
		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 <= 7.2e+46)
		tmp = Float64(im_m * Float64(-sin(re)));
	else
		tmp = Float64(im_m * Float64(-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 <= 7.2e+46)
		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, 7.2e+46], 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 < 7.1999999999999997e46

   1. Initial program 59.6%

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

   3. Taylor expanded in im around 0 58.7%

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

      1. associate-*r* 58.7%

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

      2. neg-mul-1 58.7%

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

   5. Simplified 58.7%

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

   if 7.1999999999999997e46 < 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 4.7%

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

      1. associate-*r* 4.7%

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

      2. neg-mul-1 4.7%

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

   5. Simplified 4.7%

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

   6. Taylor expanded in re around 0 13.1%

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

      1. associate-*r* 13.1%

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

      2. neg-mul-1 13.1%

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

   8. Simplified 13.1%

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

4. Final simplification 49.9%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 7.2 \cdot 10^{+46}:\\ \;\;\;\;im \cdot \left(-\sin re\right)\\ \mathbf{else}:\\ \;\;\;\;im \cdot \left(-re\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 9: 16.3% accurate, 38.4× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;re \leq 9.5 \cdot 10^{-65}:\\ \;\;\;\;im\_m \cdot 0\\ \mathbf{else}:\\ \;\;\;\;-im\_m\\ \end{array} \end{array} \]

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 (<= re 9.5e-65) (* im_m 0.0) (- 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 (re <= 9.5e-65) {
		tmp = im_m * 0.0;
	} else {
		tmp = -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 (re <= 9.5d-65) then
        tmp = im_m * 0.0d0
    else
        tmp = -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 (re <= 9.5e-65) {
		tmp = im_m * 0.0;
	} else {
		tmp = -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 re <= 9.5e-65:
		tmp = im_m * 0.0
	else:
		tmp = -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 (re <= 9.5e-65)
		tmp = Float64(im_m * 0.0);
	else
		tmp = Float64(-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 (re <= 9.5e-65)
		tmp = im_m * 0.0;
	else
		tmp = -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[re, 9.5e-65], N[(im$95$m * 0.0), $MachinePrecision], (-im$95$m)]), $MachinePrecision]

Derivation

1. Split input into 2 regimes

2. if re < 9.5000000000000004e-65

   1. Initial program 74.0%

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

   3. Taylor expanded in im around 0 77.6%

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

      1. associate-*r* 77.6%

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

      2. distribute-rgt-out 77.6%

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

      3. *-commutative 77.6%

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

   5. Simplified 77.6%

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

   7. Applied egg-rr 17.5%

      \[\leadsto im \cdot \color{blue}{0} \]

   if 9.5000000000000004e-65 < re

   1. Initial program 52.9%

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

   3. Taylor expanded in im around 0 82.2%

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

      1. associate-*r* 82.2%

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

      2. distribute-rgt-out 82.2%

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

      3. *-commutative 82.2%

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

   5. Simplified 82.2%

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

   7. Applied egg-rr 7.7%

      \[\leadsto im \cdot \color{blue}{-1} \]
3. Recombined 2 regimes into one program.

4. Final simplification 14.4%

   \[\leadsto \begin{array}{l} \mathbf{if}\;re \leq 9.5 \cdot 10^{-65}:\\ \;\;\;\;im \cdot 0\\ \mathbf{else}:\\ \;\;\;\;-im\\ \end{array} \]
5. Add Preprocessing

Alternative 10: 33.3% accurate, 77.0× speedup

Math

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

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(im_m * Float64(-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 67.3%

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

3. Taylor expanded in im around 0 48.3%

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

   1. associate-*r* 48.3%

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

   2. neg-mul-1 48.3%

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

5. Simplified 48.3%

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

6. Taylor expanded in re around 0 30.2%

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

   1. associate-*r* 30.2%

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

   2. neg-mul-1 30.2%

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

8. Simplified 30.2%

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

9. Final simplification 30.2%

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

Alternative 11: 5.5% accurate, 102.7× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \left(im\_m \cdot -3\right) \end{array} \]

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 -3.0)))

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 * -3.0);
}

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 * (-3.0d0))
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 * -3.0);
}

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 * -3.0)

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	return Float64(im_s * Float64(im_m * -3.0))
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 * -3.0);
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 * -3.0), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 67.3%

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

3. Taylor expanded in im around 0 79.0%

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

   1. associate-*r* 79.0%

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

   2. distribute-rgt-out 79.0%

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

   3. *-commutative 79.0%

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

5. Simplified 79.0%

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

7. Applied egg-rr 5.5%

   \[\leadsto im \cdot \color{blue}{-3} \]
8. Add Preprocessing

Alternative 12: 6.0% accurate, 154.0× speedup

Math

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

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)))

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;
}

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
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;
}

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

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	return Float64(im_s * Float64(-im_m))
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;
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 * (-im$95$m)), $MachinePrecision]

Derivation

1. Initial program 67.3%

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

3. Taylor expanded in im around 0 79.0%

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

   1. associate-*r* 79.0%

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

   2. distribute-rgt-out 79.0%

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

   3. *-commutative 79.0%

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

5. Simplified 79.0%

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

7. Applied egg-rr 6.0%

   \[\leadsto im \cdot \color{blue}{-1} \]

8. Final simplification 6.0%

   \[\leadsto -im \]
9. 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 2024087 
(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))))