math.cos on complex, imaginary part

Percentage Accurate: 65.6% → 99.5%

Time: 9.2s

Alternatives: 15

Speedup: 2.8×

• 49.4% 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: 65.6% 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: 99.5% accurate, 0.6× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ \begin{array}{l} t_0 := e^{-im\_m} - e^{im\_m}\\ im\_s \cdot \begin{array}{l} \mathbf{if}\;t\_0 \leq -500:\\ \;\;\;\;t\_0 \cdot \left(0.5 \cdot \sin re\right)\\ \mathbf{else}:\\ \;\;\;\;\sin re \cdot \left({im\_m}^{3} \cdot -0.16666666666666666 - im\_m\right)\\ \end{array} \end{array} \end{array} \]

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 -500.0)
      (* 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 <= -500.0) {
		tmp = t_0 * (0.5 * sin(re));
	} else {
		tmp = sin(re) * ((pow(im_m, 3.0) * -0.16666666666666666) - im_m);
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: t_0
    real(8) :: tmp
    t_0 = exp(-im_m) - exp(im_m)
    if (t_0 <= (-500.0d0)) then
        tmp = t_0 * (0.5d0 * sin(re))
    else
        tmp = sin(re) * (((im_m ** 3.0d0) * (-0.16666666666666666d0)) - im_m)
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double t_0 = Math.exp(-im_m) - Math.exp(im_m);
	double tmp;
	if (t_0 <= -500.0) {
		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 <= -500.0:
		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 <= -500.0)
		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 <= -500.0)
		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, -500.0], 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)) < -500

   1. Initial program 100.0%

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

   if -500 < (-.f64 (exp.f64 (neg.f64 im)) (exp.f64 im))

   1. Initial program 51.7%

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

   3. Taylor expanded in im around 0 86.8%

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

      1. +-commutative 86.8%

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

      2. mul-1-neg 86.8%

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

      3. unsub-neg 86.8%

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

      4. *-commutative 86.8%

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

      5. associate-*r* 86.8%

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

      6. distribute-lft-out-- 86.8%

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

      7. associate-*r* 86.8%

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

      8. *-commutative 86.8%

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

      9. associate-*r* 86.8%

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

      10. associate-*r* 89.2%

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

      11. distribute-rgt-out-- 89.2%

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

      12. unsub-neg 89.2%

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

      13. unsub-neg 89.2%

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

   5. Simplified 89.2%

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

4. Final simplification 91.7%

   \[\leadsto \begin{array}{l} \mathbf{if}\;e^{-im} - e^{im} \leq -500:\\ \;\;\;\;\left(e^{-im} - e^{im}\right) \cdot \left(0.5 \cdot \sin re\right)\\ \mathbf{else}:\\ \;\;\;\;\sin re \cdot \left({im}^{3} \cdot -0.16666666666666666 - im\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 2: 90.5% accurate, 1.4× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 1000000 \lor \neg \left(im\_m \leq 3.15 \cdot 10^{+97}\right):\\ \;\;\;\;\sin re \cdot \left({im\_m}^{3} \cdot -0.16666666666666666 - im\_m\right)\\ \mathbf{else}:\\ \;\;\;\;\mathsf{log1p}\left(\mathsf{expm1}\left(im\_m \cdot 0.16666666666666666\right)\right)\\ \end{array} \end{array} \]

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 (or (<= im_m 1000000.0) (not (<= im_m 3.15e+97)))
    (* (sin re) (- (* (pow im_m 3.0) -0.16666666666666666) im_m))
    (log1p (expm1 (* im_m 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 <= 1000000.0) || !(im_m <= 3.15e+97)) {
		tmp = sin(re) * ((pow(im_m, 3.0) * -0.16666666666666666) - im_m);
	} else {
		tmp = log1p(expm1((im_m * 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 <= 1000000.0) || !(im_m <= 3.15e+97)) {
		tmp = Math.sin(re) * ((Math.pow(im_m, 3.0) * -0.16666666666666666) - im_m);
	} else {
		tmp = Math.log1p(Math.expm1((im_m * 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 <= 1000000.0) or not (im_m <= 3.15e+97):
		tmp = math.sin(re) * ((math.pow(im_m, 3.0) * -0.16666666666666666) - im_m)
	else:
		tmp = math.log1p(math.expm1((im_m * 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 <= 1000000.0) || !(im_m <= 3.15e+97))
		tmp = Float64(sin(re) * Float64(Float64((im_m ^ 3.0) * -0.16666666666666666) - im_m));
	else
		tmp = log1p(expm1(Float64(im_m * 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[Or[LessEqual[im$95$m, 1000000.0], N[Not[LessEqual[im$95$m, 3.15e+97]], $MachinePrecision]], N[(N[Sin[re], $MachinePrecision] * N[(N[(N[Power[im$95$m, 3.0], $MachinePrecision] * -0.16666666666666666), $MachinePrecision] - im$95$m), $MachinePrecision]), $MachinePrecision], N[Log[1 + N[(Exp[N[(im$95$m * 0.16666666666666666), $MachinePrecision]] - 1), $MachinePrecision]], $MachinePrecision]]), $MachinePrecision]

Derivation

1. Split input into 2 regimes

2. if im < 1e6 or 3.14999999999999999e97 < im

   1. Initial program 59.5%

      \[\left(0.5 \cdot \sin re\right) \cdot \left(e^{-im} - e^{im}\right) \]
   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* 89.8%

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

      11. distribute-rgt-out-- 89.8%

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

      12. unsub-neg 89.8%

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

      13. unsub-neg 89.8%

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

   5. Simplified 89.8%

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

   if 1e6 < im < 3.14999999999999999e97

   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 4.2%

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

      1. associate-*r* 4.2%

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

      2. distribute-rgt-out 4.2%

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

      3. *-commutative 4.2%

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

   5. Simplified 4.2%

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

   7. Applied egg-rr 2.1%

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

      1. log1p-expm1-u 52.4%

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

   9. Applied egg-rr 52.4%

      \[\leadsto \color{blue}{\mathsf{log1p}\left(\mathsf{expm1}\left(im \cdot 0.16666666666666666\right)\right)} \]
3. Recombined 2 regimes into one program.

4. Final simplification 86.7%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 1000000 \lor \neg \left(im \leq 3.15 \cdot 10^{+97}\right):\\ \;\;\;\;\sin re \cdot \left({im}^{3} \cdot -0.16666666666666666 - im\right)\\ \mathbf{else}:\\ \;\;\;\;\mathsf{log1p}\left(\mathsf{expm1}\left(im \cdot 0.16666666666666666\right)\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 3: 95.3% accurate, 1.4× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 460:\\ \;\;\;\;\sin re \cdot \left({im\_m}^{3} \cdot -0.16666666666666666 - im\_m\right)\\ \mathbf{elif}\;im\_m \leq 5.5 \cdot 10^{+102}:\\ \;\;\;\;\left(e^{-im\_m} - e^{im\_m}\right) \cdot \left(0.5 \cdot re\right)\\ \mathbf{else}:\\ \;\;\;\;-0.16666666666666666 \cdot \left(\sin re \cdot {im\_m}^{3}\right)\\ \end{array} \end{array} \]

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 460.0)
    (* (sin re) (- (* (pow im_m 3.0) -0.16666666666666666) im_m))
    (if (<= im_m 5.5e+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 <= 460.0) {
		tmp = sin(re) * ((pow(im_m, 3.0) * -0.16666666666666666) - im_m);
	} else if (im_m <= 5.5e+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 <= 460.0d0) then
        tmp = sin(re) * (((im_m ** 3.0d0) * (-0.16666666666666666d0)) - im_m)
    else if (im_m <= 5.5d+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 <= 460.0) {
		tmp = Math.sin(re) * ((Math.pow(im_m, 3.0) * -0.16666666666666666) - im_m);
	} else if (im_m <= 5.5e+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 <= 460.0:
		tmp = math.sin(re) * ((math.pow(im_m, 3.0) * -0.16666666666666666) - im_m)
	elif im_m <= 5.5e+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 <= 460.0)
		tmp = Float64(sin(re) * Float64(Float64((im_m ^ 3.0) * -0.16666666666666666) - im_m));
	elseif (im_m <= 5.5e+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 <= 460.0)
		tmp = sin(re) * (((im_m ^ 3.0) * -0.16666666666666666) - im_m);
	elseif (im_m <= 5.5e+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, 460.0], N[(N[Sin[re], $MachinePrecision] * N[(N[(N[Power[im$95$m, 3.0], $MachinePrecision] * -0.16666666666666666), $MachinePrecision] - im$95$m), $MachinePrecision]), $MachinePrecision], If[LessEqual[im$95$m, 5.5e+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 < 460

   1. Initial program 51.9%

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

   3. Taylor expanded in im around 0 86.4%

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

      1. +-commutative 86.4%

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

      2. mul-1-neg 86.4%

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

      3. unsub-neg 86.4%

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

      4. *-commutative 86.4%

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

      5. associate-*r* 86.4%

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

      6. distribute-lft-out-- 86.4%

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

      7. associate-*r* 86.4%

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

      8. *-commutative 86.4%

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

      9. associate-*r* 86.4%

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

      10. associate-*r* 88.8%

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

      11. distribute-rgt-out-- 88.8%

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

      12. unsub-neg 88.8%

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

      13. unsub-neg 88.8%

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

   5. Simplified 88.8%

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

   if 460 < im < 5.49999999999999981e102

   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 60.9%

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

      1. associate-*r* 60.9%

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

      2. *-commutative 60.9%

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

   5. Simplified 60.9%

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

   if 5.49999999999999981e102 < 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 81.1%

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

      1. associate-*r* 81.1%

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

      2. distribute-rgt-out 81.1%

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

      3. *-commutative 81.1%

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

   5. Simplified 81.1%

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

   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 87.8%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 460:\\ \;\;\;\;\sin re \cdot \left({im}^{3} \cdot -0.16666666666666666 - im\right)\\ \mathbf{elif}\;im \leq 5.5 \cdot 10^{+102}:\\ \;\;\;\;\left(e^{-im} - e^{im}\right) \cdot \left(0.5 \cdot re\right)\\ \mathbf{else}:\\ \;\;\;\;-0.16666666666666666 \cdot \left(\sin re \cdot {im}^{3}\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 4: 90.3% accurate, 1.4× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 850000:\\ \;\;\;\;\left(-im\_m\right) \cdot \sin re\\ \mathbf{elif}\;im\_m \leq 3.15 \cdot 10^{+97}:\\ \;\;\;\;\mathsf{log1p}\left(\mathsf{expm1}\left(im\_m \cdot 0.16666666666666666\right)\right)\\ \mathbf{else}:\\ \;\;\;\;-0.16666666666666666 \cdot \left(\sin re \cdot {im\_m}^{3}\right)\\ \end{array} \end{array} \]

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 850000.0)
    (* (- im_m) (sin re))
    (if (<= im_m 3.15e+97)
      (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 <= 850000.0) {
		tmp = -im_m * sin(re);
	} else if (im_m <= 3.15e+97) {
		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 <= 850000.0) {
		tmp = -im_m * Math.sin(re);
	} else if (im_m <= 3.15e+97) {
		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 <= 850000.0:
		tmp = -im_m * math.sin(re)
	elif im_m <= 3.15e+97:
		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 <= 850000.0)
		tmp = Float64(Float64(-im_m) * sin(re));
	elseif (im_m <= 3.15e+97)
		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, 850000.0], N[((-im$95$m) * N[Sin[re], $MachinePrecision]), $MachinePrecision], If[LessEqual[im$95$m, 3.15e+97], 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 < 8.5e5

   1. Initial program 51.9%

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

   3. Taylor expanded in im around 0 67.9%

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

      1. associate-*r* 67.9%

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

      2. neg-mul-1 67.9%

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

   5. Simplified 67.9%

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

   if 8.5e5 < im < 3.14999999999999999e97

   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 4.2%

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

      1. associate-*r* 4.2%

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

      2. distribute-rgt-out 4.2%

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

      3. *-commutative 4.2%

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

   5. Simplified 4.2%

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

   7. Applied egg-rr 2.1%

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

      1. log1p-expm1-u 52.4%

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

   9. Applied egg-rr 52.4%

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

   if 3.14999999999999999e97 < im

   1. Initial program 100.0%

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

   3. Taylor expanded in im around 0 77.1%

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

      1. associate-*r* 77.1%

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

      2. distribute-rgt-out 77.1%

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

      3. *-commutative 77.1%

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

   5. Simplified 77.1%

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

   6. Taylor expanded in im around inf 94.9%

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

4. Final simplification 70.6%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 850000:\\ \;\;\;\;\left(-im\right) \cdot \sin re\\ \mathbf{elif}\;im \leq 3.15 \cdot 10^{+97}:\\ \;\;\;\;\mathsf{log1p}\left(\mathsf{expm1}\left(im \cdot 0.16666666666666666\right)\right)\\ \mathbf{else}:\\ \;\;\;\;-0.16666666666666666 \cdot \left(\sin re \cdot {im}^{3}\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 5: 82.3% accurate, 1.4× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 850000:\\ \;\;\;\;\left(-im\_m\right) \cdot \sin re\\ \mathbf{elif}\;im\_m \leq 2.35 \cdot 10^{+92}:\\ \;\;\;\;\mathsf{log1p}\left(\mathsf{expm1}\left(im\_m \cdot 0.16666666666666666\right)\right)\\ \mathbf{else}:\\ \;\;\;\;re \cdot \left({im\_m}^{3} \cdot -0.16666666666666666 - im\_m\right)\\ \end{array} \end{array} \]

FPCore

im\_m = (fabs.f64 im)
im\_s = (copysign.f64 #s(literal 1 binary64) im)
(FPCore (im_s re im_m)
 :precision binary64
 (*
  im_s
  (if (<= im_m 850000.0)
    (* (- im_m) (sin re))
    (if (<= im_m 2.35e+92)
      (log1p (expm1 (* im_m 0.16666666666666666)))
      (* re (- (* (pow im_m 3.0) -0.16666666666666666) im_m))))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 850000.0) {
		tmp = -im_m * sin(re);
	} else if (im_m <= 2.35e+92) {
		tmp = log1p(expm1((im_m * 0.16666666666666666)));
	} else {
		tmp = 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 tmp;
	if (im_m <= 850000.0) {
		tmp = -im_m * Math.sin(re);
	} else if (im_m <= 2.35e+92) {
		tmp = Math.log1p(Math.expm1((im_m * 0.16666666666666666)));
	} else {
		tmp = re * ((Math.pow(im_m, 3.0) * -0.16666666666666666) - im_m);
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	tmp = 0
	if im_m <= 850000.0:
		tmp = -im_m * math.sin(re)
	elif im_m <= 2.35e+92:
		tmp = math.log1p(math.expm1((im_m * 0.16666666666666666)))
	else:
		tmp = re * ((math.pow(im_m, 3.0) * -0.16666666666666666) - im_m)
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	tmp = 0.0
	if (im_m <= 850000.0)
		tmp = Float64(Float64(-im_m) * sin(re));
	elseif (im_m <= 2.35e+92)
		tmp = log1p(expm1(Float64(im_m * 0.16666666666666666)));
	else
		tmp = Float64(re * Float64(Float64((im_m ^ 3.0) * -0.16666666666666666) - im_m));
	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, 850000.0], N[((-im$95$m) * N[Sin[re], $MachinePrecision]), $MachinePrecision], If[LessEqual[im$95$m, 2.35e+92], N[Log[1 + N[(Exp[N[(im$95$m * 0.16666666666666666), $MachinePrecision]] - 1), $MachinePrecision]], $MachinePrecision], N[(re * N[(N[(N[Power[im$95$m, 3.0], $MachinePrecision] * -0.16666666666666666), $MachinePrecision] - im$95$m), $MachinePrecision]), $MachinePrecision]]]), $MachinePrecision]

Derivation

1. Split input into 3 regimes

2. if im < 8.5e5

   1. Initial program 51.9%

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

   3. Taylor expanded in im around 0 67.9%

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

      1. associate-*r* 67.9%

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

      2. neg-mul-1 67.9%

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

   5. Simplified 67.9%

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

   if 8.5e5 < im < 2.35e92

   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 4.2%

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

      1. associate-*r* 4.2%

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

      2. distribute-rgt-out 4.2%

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

      3. *-commutative 4.2%

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

   5. Simplified 4.2%

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

   7. Applied egg-rr 2.1%

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

      1. log1p-expm1-u 52.4%

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

   9. Applied egg-rr 52.4%

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

   if 2.35e92 < im

   1. Initial program 100.0%

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

   3. Taylor expanded in im around 0 77.1%

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

      1. associate-*r* 77.1%

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

      2. distribute-rgt-out 77.1%

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

      3. *-commutative 77.1%

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

   5. Simplified 77.1%

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

   6. Taylor expanded in re around 0 55.5%

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

      1. *-commutative 55.5%

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

      2. associate-*r* 73.3%

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

      3. *-commutative 73.3%

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

      4. sub-neg 73.3%

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

      5. metadata-eval 73.3%

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

      6. distribute-rgt-in 73.3%

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

      7. neg-mul-1 73.3%

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

      8. associate-*r* 73.3%

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

      9. unpow2 73.3%

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

      10. unpow3 73.3%

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

      11. sub-neg 73.3%

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

   8. Simplified 73.3%

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

4. Final simplification 67.4%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 850000:\\ \;\;\;\;\left(-im\right) \cdot \sin re\\ \mathbf{elif}\;im \leq 2.35 \cdot 10^{+92}:\\ \;\;\;\;\mathsf{log1p}\left(\mathsf{expm1}\left(im \cdot 0.16666666666666666\right)\right)\\ \mathbf{else}:\\ \;\;\;\;re \cdot \left({im}^{3} \cdot -0.16666666666666666 - im\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 6: 78.4% accurate, 2.6× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 205000:\\ \;\;\;\;\left(-im\_m\right) \cdot \sin re\\ \mathbf{elif}\;im\_m \leq 4.2 \cdot 10^{+51}:\\ \;\;\;\;re \cdot \left(im\_m \cdot \left(0.16666666666666666 \cdot {re}^{2} + -1\right)\right)\\ \mathbf{else}:\\ \;\;\;\;re \cdot \left({im\_m}^{3} \cdot -0.16666666666666666 - im\_m\right)\\ \end{array} \end{array} \]

FPCore

im\_m = (fabs.f64 im)
im\_s = (copysign.f64 #s(literal 1 binary64) im)
(FPCore (im_s re im_m)
 :precision binary64
 (*
  im_s
  (if (<= im_m 205000.0)
    (* (- im_m) (sin re))
    (if (<= im_m 4.2e+51)
      (* re (* im_m (+ (* 0.16666666666666666 (pow re 2.0)) -1.0)))
      (* re (- (* (pow im_m 3.0) -0.16666666666666666) im_m))))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 205000.0) {
		tmp = -im_m * sin(re);
	} else if (im_m <= 4.2e+51) {
		tmp = re * (im_m * ((0.16666666666666666 * pow(re, 2.0)) + -1.0));
	} else {
		tmp = re * ((pow(im_m, 3.0) * -0.16666666666666666) - im_m);
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: tmp
    if (im_m <= 205000.0d0) then
        tmp = -im_m * sin(re)
    else if (im_m <= 4.2d+51) then
        tmp = re * (im_m * ((0.16666666666666666d0 * (re ** 2.0d0)) + (-1.0d0)))
    else
        tmp = re * (((im_m ** 3.0d0) * (-0.16666666666666666d0)) - im_m)
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 205000.0) {
		tmp = -im_m * Math.sin(re);
	} else if (im_m <= 4.2e+51) {
		tmp = re * (im_m * ((0.16666666666666666 * Math.pow(re, 2.0)) + -1.0));
	} else {
		tmp = re * ((Math.pow(im_m, 3.0) * -0.16666666666666666) - im_m);
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	tmp = 0
	if im_m <= 205000.0:
		tmp = -im_m * math.sin(re)
	elif im_m <= 4.2e+51:
		tmp = re * (im_m * ((0.16666666666666666 * math.pow(re, 2.0)) + -1.0))
	else:
		tmp = re * ((math.pow(im_m, 3.0) * -0.16666666666666666) - im_m)
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	tmp = 0.0
	if (im_m <= 205000.0)
		tmp = Float64(Float64(-im_m) * sin(re));
	elseif (im_m <= 4.2e+51)
		tmp = Float64(re * Float64(im_m * Float64(Float64(0.16666666666666666 * (re ^ 2.0)) + -1.0)));
	else
		tmp = Float64(re * Float64(Float64((im_m ^ 3.0) * -0.16666666666666666) - im_m));
	end
	return Float64(im_s * tmp)
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp_2 = code(im_s, re, im_m)
	tmp = 0.0;
	if (im_m <= 205000.0)
		tmp = -im_m * sin(re);
	elseif (im_m <= 4.2e+51)
		tmp = re * (im_m * ((0.16666666666666666 * (re ^ 2.0)) + -1.0));
	else
		tmp = re * (((im_m ^ 3.0) * -0.16666666666666666) - im_m);
	end
	tmp_2 = im_s * tmp;
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := N[(im$95$s * If[LessEqual[im$95$m, 205000.0], N[((-im$95$m) * N[Sin[re], $MachinePrecision]), $MachinePrecision], If[LessEqual[im$95$m, 4.2e+51], N[(re * N[(im$95$m * N[(N[(0.16666666666666666 * N[Power[re, 2.0], $MachinePrecision]), $MachinePrecision] + -1.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(re * N[(N[(N[Power[im$95$m, 3.0], $MachinePrecision] * -0.16666666666666666), $MachinePrecision] - im$95$m), $MachinePrecision]), $MachinePrecision]]]), $MachinePrecision]

Derivation

1. Split input into 3 regimes

2. if im < 205000

   1. Initial program 51.9%

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

   3. Taylor expanded in im around 0 67.9%

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

      1. associate-*r* 67.9%

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

      2. neg-mul-1 67.9%

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

   5. Simplified 67.9%

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

   if 205000 < im < 4.2000000000000002e51

   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 2.9%

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

      1. associate-*r* 2.9%

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

      2. neg-mul-1 2.9%

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

   5. Simplified 2.9%

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

   6. Taylor expanded in re around 0 26.9%

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

      1. neg-mul-1 26.9%

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

      2. +-commutative 26.9%

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

      3. *-commutative 26.9%

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

      4. associate-*r* 26.9%

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

      5. neg-mul-1 26.9%

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

      6. distribute-rgt-out 26.9%

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

      7. *-commutative 26.9%

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

   8. Simplified 26.9%

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

   if 4.2000000000000002e51 < im

   1. Initial program 100.0%

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

   3. Taylor expanded in im around 0 63.0%

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

      1. associate-*r* 63.0%

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

      2. distribute-rgt-out 63.0%

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

      3. *-commutative 63.0%

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

   5. Simplified 63.0%

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

   6. Taylor expanded in re around 0 49.3%

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

      1. *-commutative 49.3%

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

      2. associate-*r* 63.7%

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

      3. *-commutative 63.7%

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

      4. sub-neg 63.7%

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

      5. metadata-eval 63.7%

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

      6. distribute-rgt-in 63.7%

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

      7. neg-mul-1 63.7%

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

      8. associate-*r* 63.7%

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

      9. unpow2 63.7%

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

      10. unpow3 63.7%

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

      11. sub-neg 63.7%

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

   8. Simplified 63.7%

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

4. Final simplification 65.2%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 205000:\\ \;\;\;\;\left(-im\right) \cdot \sin re\\ \mathbf{elif}\;im \leq 4.2 \cdot 10^{+51}:\\ \;\;\;\;re \cdot \left(im \cdot \left(0.16666666666666666 \cdot {re}^{2} + -1\right)\right)\\ \mathbf{else}:\\ \;\;\;\;re \cdot \left({im}^{3} \cdot -0.16666666666666666 - im\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 7: 78.3% accurate, 2.6× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 850000:\\ \;\;\;\;\left(-im\_m\right) \cdot \sin re\\ \mathbf{elif}\;im\_m \leq 1.65 \cdot 10^{+52}:\\ \;\;\;\;0.16666666666666666 \cdot \left(im\_m \cdot {re}^{3}\right)\\ \mathbf{else}:\\ \;\;\;\;re \cdot \left({im\_m}^{3} \cdot -0.16666666666666666 - im\_m\right)\\ \end{array} \end{array} \]

FPCore

im\_m = (fabs.f64 im)
im\_s = (copysign.f64 #s(literal 1 binary64) im)
(FPCore (im_s re im_m)
 :precision binary64
 (*
  im_s
  (if (<= im_m 850000.0)
    (* (- im_m) (sin re))
    (if (<= im_m 1.65e+52)
      (* 0.16666666666666666 (* im_m (pow re 3.0)))
      (* re (- (* (pow im_m 3.0) -0.16666666666666666) im_m))))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 850000.0) {
		tmp = -im_m * sin(re);
	} else if (im_m <= 1.65e+52) {
		tmp = 0.16666666666666666 * (im_m * pow(re, 3.0));
	} else {
		tmp = re * ((pow(im_m, 3.0) * -0.16666666666666666) - im_m);
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: tmp
    if (im_m <= 850000.0d0) then
        tmp = -im_m * sin(re)
    else if (im_m <= 1.65d+52) then
        tmp = 0.16666666666666666d0 * (im_m * (re ** 3.0d0))
    else
        tmp = re * (((im_m ** 3.0d0) * (-0.16666666666666666d0)) - im_m)
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 850000.0) {
		tmp = -im_m * Math.sin(re);
	} else if (im_m <= 1.65e+52) {
		tmp = 0.16666666666666666 * (im_m * Math.pow(re, 3.0));
	} else {
		tmp = re * ((Math.pow(im_m, 3.0) * -0.16666666666666666) - im_m);
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	tmp = 0
	if im_m <= 850000.0:
		tmp = -im_m * math.sin(re)
	elif im_m <= 1.65e+52:
		tmp = 0.16666666666666666 * (im_m * math.pow(re, 3.0))
	else:
		tmp = re * ((math.pow(im_m, 3.0) * -0.16666666666666666) - im_m)
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	tmp = 0.0
	if (im_m <= 850000.0)
		tmp = Float64(Float64(-im_m) * sin(re));
	elseif (im_m <= 1.65e+52)
		tmp = Float64(0.16666666666666666 * Float64(im_m * (re ^ 3.0)));
	else
		tmp = Float64(re * Float64(Float64((im_m ^ 3.0) * -0.16666666666666666) - im_m));
	end
	return Float64(im_s * tmp)
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp_2 = code(im_s, re, im_m)
	tmp = 0.0;
	if (im_m <= 850000.0)
		tmp = -im_m * sin(re);
	elseif (im_m <= 1.65e+52)
		tmp = 0.16666666666666666 * (im_m * (re ^ 3.0));
	else
		tmp = re * (((im_m ^ 3.0) * -0.16666666666666666) - im_m);
	end
	tmp_2 = im_s * tmp;
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := N[(im$95$s * If[LessEqual[im$95$m, 850000.0], N[((-im$95$m) * N[Sin[re], $MachinePrecision]), $MachinePrecision], If[LessEqual[im$95$m, 1.65e+52], N[(0.16666666666666666 * N[(im$95$m * N[Power[re, 3.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(re * N[(N[(N[Power[im$95$m, 3.0], $MachinePrecision] * -0.16666666666666666), $MachinePrecision] - im$95$m), $MachinePrecision]), $MachinePrecision]]]), $MachinePrecision]

Derivation

1. Split input into 3 regimes

2. if im < 8.5e5

   1. Initial program 51.9%

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

   3. Taylor expanded in im around 0 67.9%

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

      1. associate-*r* 67.9%

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

      2. neg-mul-1 67.9%

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

   5. Simplified 67.9%

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

   if 8.5e5 < im < 1.65e52

   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 2.9%

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

      1. associate-*r* 2.9%

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

      2. neg-mul-1 2.9%

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

   5. Simplified 2.9%

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

   6. Taylor expanded in re around 0 26.9%

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

   7. Taylor expanded in re around inf 26.5%

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

   if 1.65e52 < im

   1. Initial program 100.0%

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

   3. Taylor expanded in im around 0 63.0%

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

      1. associate-*r* 63.0%

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

      2. distribute-rgt-out 63.0%

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

      3. *-commutative 63.0%

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

   5. Simplified 63.0%

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

   6. Taylor expanded in re around 0 49.3%

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

      1. *-commutative 49.3%

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

      2. associate-*r* 63.7%

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

      3. *-commutative 63.7%

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

      4. sub-neg 63.7%

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

      5. metadata-eval 63.7%

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

      6. distribute-rgt-in 63.7%

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

      7. neg-mul-1 63.7%

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

      8. associate-*r* 63.7%

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

      9. unpow2 63.7%

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

      10. unpow3 63.7%

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

      11. sub-neg 63.7%

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

   8. Simplified 63.7%

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

4. Final simplification 65.2%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 850000:\\ \;\;\;\;\left(-im\right) \cdot \sin re\\ \mathbf{elif}\;im \leq 1.65 \cdot 10^{+52}:\\ \;\;\;\;0.16666666666666666 \cdot \left(im \cdot {re}^{3}\right)\\ \mathbf{else}:\\ \;\;\;\;re \cdot \left({im}^{3} \cdot -0.16666666666666666 - im\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 8: 75.2% accurate, 2.7× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 1320000:\\ \;\;\;\;\left(-im\_m\right) \cdot \sin re\\ \mathbf{elif}\;im\_m \leq 3.3 \cdot 10^{+50}:\\ \;\;\;\;0.16666666666666666 \cdot \left(im\_m \cdot {re}^{3}\right)\\ \mathbf{else}:\\ \;\;\;\;im\_m \cdot \left(re \cdot \left(-1 + -0.16666666666666666 \cdot \left(im\_m \cdot im\_m\right)\right)\right)\\ \end{array} \end{array} \]

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 1320000.0)
    (* (- im_m) (sin re))
    (if (<= im_m 3.3e+50)
      (* 0.16666666666666666 (* im_m (pow re 3.0)))
      (* im_m (* re (+ -1.0 (* -0.16666666666666666 (* im_m im_m)))))))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 1320000.0) {
		tmp = -im_m * sin(re);
	} else if (im_m <= 3.3e+50) {
		tmp = 0.16666666666666666 * (im_m * pow(re, 3.0));
	} else {
		tmp = im_m * (re * (-1.0 + (-0.16666666666666666 * (im_m * im_m))));
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: tmp
    if (im_m <= 1320000.0d0) then
        tmp = -im_m * sin(re)
    else if (im_m <= 3.3d+50) then
        tmp = 0.16666666666666666d0 * (im_m * (re ** 3.0d0))
    else
        tmp = im_m * (re * ((-1.0d0) + ((-0.16666666666666666d0) * (im_m * im_m))))
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 1320000.0) {
		tmp = -im_m * Math.sin(re);
	} else if (im_m <= 3.3e+50) {
		tmp = 0.16666666666666666 * (im_m * Math.pow(re, 3.0));
	} else {
		tmp = im_m * (re * (-1.0 + (-0.16666666666666666 * (im_m * im_m))));
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	tmp = 0
	if im_m <= 1320000.0:
		tmp = -im_m * math.sin(re)
	elif im_m <= 3.3e+50:
		tmp = 0.16666666666666666 * (im_m * math.pow(re, 3.0))
	else:
		tmp = im_m * (re * (-1.0 + (-0.16666666666666666 * (im_m * im_m))))
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	tmp = 0.0
	if (im_m <= 1320000.0)
		tmp = Float64(Float64(-im_m) * sin(re));
	elseif (im_m <= 3.3e+50)
		tmp = Float64(0.16666666666666666 * Float64(im_m * (re ^ 3.0)));
	else
		tmp = Float64(im_m * Float64(re * Float64(-1.0 + Float64(-0.16666666666666666 * Float64(im_m * im_m)))));
	end
	return Float64(im_s * tmp)
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp_2 = code(im_s, re, im_m)
	tmp = 0.0;
	if (im_m <= 1320000.0)
		tmp = -im_m * sin(re);
	elseif (im_m <= 3.3e+50)
		tmp = 0.16666666666666666 * (im_m * (re ^ 3.0));
	else
		tmp = im_m * (re * (-1.0 + (-0.16666666666666666 * (im_m * im_m))));
	end
	tmp_2 = im_s * tmp;
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := N[(im$95$s * If[LessEqual[im$95$m, 1320000.0], N[((-im$95$m) * N[Sin[re], $MachinePrecision]), $MachinePrecision], If[LessEqual[im$95$m, 3.3e+50], N[(0.16666666666666666 * N[(im$95$m * N[Power[re, 3.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(im$95$m * N[(re * N[(-1.0 + N[(-0.16666666666666666 * N[(im$95$m * im$95$m), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]), $MachinePrecision]

Derivation

1. Split input into 3 regimes

2. if im < 1.32e6

   1. Initial program 51.9%

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

   3. Taylor expanded in im around 0 67.9%

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

      1. associate-*r* 67.9%

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

      2. neg-mul-1 67.9%

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

   5. Simplified 67.9%

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

   if 1.32e6 < im < 3.3e50

   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 2.9%

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

      1. associate-*r* 2.9%

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

      2. neg-mul-1 2.9%

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

   5. Simplified 2.9%

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

   6. Taylor expanded in re around 0 26.9%

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

   7. Taylor expanded in re around inf 26.5%

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

   if 3.3e50 < im

   1. Initial program 100.0%

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

   3. Taylor expanded in im around 0 63.0%

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

      1. associate-*r* 63.0%

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

      2. distribute-rgt-out 63.0%

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

      3. *-commutative 63.0%

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

   5. Simplified 63.0%

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

   6. Taylor expanded in re around 0 49.3%

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

      1. unpow2 49.3%

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

   8. Applied egg-rr 49.3%

      \[\leadsto im \cdot \left(re \cdot \left(-0.16666666666666666 \cdot \color{blue}{\left(im \cdot im\right)} - 1\right)\right) \]
3. Recombined 3 regimes into one program.

4. Final simplification 62.6%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 1320000:\\ \;\;\;\;\left(-im\right) \cdot \sin re\\ \mathbf{elif}\;im \leq 3.3 \cdot 10^{+50}:\\ \;\;\;\;0.16666666666666666 \cdot \left(im \cdot {re}^{3}\right)\\ \mathbf{else}:\\ \;\;\;\;im \cdot \left(re \cdot \left(-1 + -0.16666666666666666 \cdot \left(im \cdot im\right)\right)\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 9: 78.3% accurate, 2.7× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 850000:\\ \;\;\;\;\left(-im\_m\right) \cdot \sin re\\ \mathbf{elif}\;im\_m \leq 4.3 \cdot 10^{+52}:\\ \;\;\;\;0.16666666666666666 \cdot \left(im\_m \cdot {re}^{3}\right)\\ \mathbf{else}:\\ \;\;\;\;re \cdot \left({im\_m}^{3} \cdot -0.16666666666666666\right)\\ \end{array} \end{array} \]

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 850000.0)
    (* (- im_m) (sin re))
    (if (<= im_m 4.3e+52)
      (* 0.16666666666666666 (* im_m (pow re 3.0)))
      (* 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 <= 850000.0) {
		tmp = -im_m * sin(re);
	} else if (im_m <= 4.3e+52) {
		tmp = 0.16666666666666666 * (im_m * pow(re, 3.0));
	} 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 <= 850000.0d0) then
        tmp = -im_m * sin(re)
    else if (im_m <= 4.3d+52) then
        tmp = 0.16666666666666666d0 * (im_m * (re ** 3.0d0))
    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 <= 850000.0) {
		tmp = -im_m * Math.sin(re);
	} else if (im_m <= 4.3e+52) {
		tmp = 0.16666666666666666 * (im_m * Math.pow(re, 3.0));
	} 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 <= 850000.0:
		tmp = -im_m * math.sin(re)
	elif im_m <= 4.3e+52:
		tmp = 0.16666666666666666 * (im_m * math.pow(re, 3.0))
	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 <= 850000.0)
		tmp = Float64(Float64(-im_m) * sin(re));
	elseif (im_m <= 4.3e+52)
		tmp = Float64(0.16666666666666666 * Float64(im_m * (re ^ 3.0)));
	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 <= 850000.0)
		tmp = -im_m * sin(re);
	elseif (im_m <= 4.3e+52)
		tmp = 0.16666666666666666 * (im_m * (re ^ 3.0));
	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, 850000.0], N[((-im$95$m) * N[Sin[re], $MachinePrecision]), $MachinePrecision], If[LessEqual[im$95$m, 4.3e+52], N[(0.16666666666666666 * N[(im$95$m * N[Power[re, 3.0], $MachinePrecision]), $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 < 8.5e5

   1. Initial program 51.9%

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

   3. Taylor expanded in im around 0 67.9%

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

      1. associate-*r* 67.9%

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

      2. neg-mul-1 67.9%

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

   5. Simplified 67.9%

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

   if 8.5e5 < im < 4.3e52

   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 2.9%

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

      1. associate-*r* 2.9%

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

      2. neg-mul-1 2.9%

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

   5. Simplified 2.9%

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

   6. Taylor expanded in re around 0 26.9%

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

   7. Taylor expanded in re around inf 26.5%

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

   if 4.3e52 < im

   1. Initial program 100.0%

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

   3. Taylor expanded in im around 0 63.0%

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

      1. associate-*r* 63.0%

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

      2. distribute-rgt-out 63.0%

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

      3. *-commutative 63.0%

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

   5. Simplified 63.0%

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

   6. Taylor expanded in re around 0 49.3%

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

   7. Taylor expanded in im around inf 63.7%

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

      1. associate-*r* 63.7%

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

   9. Simplified 63.7%

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

4. Final simplification 65.2%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 850000:\\ \;\;\;\;\left(-im\right) \cdot \sin re\\ \mathbf{elif}\;im \leq 4.3 \cdot 10^{+52}:\\ \;\;\;\;0.16666666666666666 \cdot \left(im \cdot {re}^{3}\right)\\ \mathbf{else}:\\ \;\;\;\;re \cdot \left({im}^{3} \cdot -0.16666666666666666\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 10: 74.1% accurate, 2.8× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 5 \cdot 10^{+49}:\\ \;\;\;\;\left(-im\_m\right) \cdot \sin re\\ \mathbf{else}:\\ \;\;\;\;im\_m \cdot \left(re \cdot \left(-1 + -0.16666666666666666 \cdot \left(im\_m \cdot im\_m\right)\right)\right)\\ \end{array} \end{array} \]

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 5e+49)
    (* (- im_m) (sin re))
    (* im_m (* re (+ -1.0 (* -0.16666666666666666 (* im_m im_m))))))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 5e+49) {
		tmp = -im_m * sin(re);
	} else {
		tmp = im_m * (re * (-1.0 + (-0.16666666666666666 * (im_m * im_m))));
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: tmp
    if (im_m <= 5d+49) then
        tmp = -im_m * sin(re)
    else
        tmp = im_m * (re * ((-1.0d0) + ((-0.16666666666666666d0) * (im_m * im_m))))
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 5e+49) {
		tmp = -im_m * Math.sin(re);
	} else {
		tmp = im_m * (re * (-1.0 + (-0.16666666666666666 * (im_m * im_m))));
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	tmp = 0
	if im_m <= 5e+49:
		tmp = -im_m * math.sin(re)
	else:
		tmp = im_m * (re * (-1.0 + (-0.16666666666666666 * (im_m * im_m))))
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	tmp = 0.0
	if (im_m <= 5e+49)
		tmp = Float64(Float64(-im_m) * sin(re));
	else
		tmp = Float64(im_m * Float64(re * Float64(-1.0 + Float64(-0.16666666666666666 * Float64(im_m * im_m)))));
	end
	return Float64(im_s * tmp)
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp_2 = code(im_s, re, im_m)
	tmp = 0.0;
	if (im_m <= 5e+49)
		tmp = -im_m * sin(re);
	else
		tmp = im_m * (re * (-1.0 + (-0.16666666666666666 * (im_m * im_m))));
	end
	tmp_2 = im_s * tmp;
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := N[(im$95$s * If[LessEqual[im$95$m, 5e+49], N[((-im$95$m) * N[Sin[re], $MachinePrecision]), $MachinePrecision], N[(im$95$m * N[(re * N[(-1.0 + N[(-0.16666666666666666 * N[(im$95$m * im$95$m), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]), $MachinePrecision]

Derivation

1. Split input into 2 regimes

2. if im < 5.0000000000000004e49

   1. Initial program 54.7%

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

   3. Taylor expanded in im around 0 64.2%

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

      1. associate-*r* 64.2%

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

      2. neg-mul-1 64.2%

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

   5. Simplified 64.2%

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

   if 5.0000000000000004e49 < im

   1. Initial program 100.0%

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

   3. Taylor expanded in im around 0 63.0%

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

      1. associate-*r* 63.0%

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

      2. distribute-rgt-out 63.0%

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

      3. *-commutative 63.0%

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

   5. Simplified 63.0%

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

   6. Taylor expanded in re around 0 49.3%

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

      1. unpow2 49.3%

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

   8. Applied egg-rr 49.3%

      \[\leadsto im \cdot \left(re \cdot \left(-0.16666666666666666 \cdot \color{blue}{\left(im \cdot im\right)} - 1\right)\right) \]
3. Recombined 2 regimes into one program.

4. Final simplification 61.5%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 5 \cdot 10^{+49}:\\ \;\;\;\;\left(-im\right) \cdot \sin re\\ \mathbf{else}:\\ \;\;\;\;im \cdot \left(re \cdot \left(-1 + -0.16666666666666666 \cdot \left(im \cdot im\right)\right)\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 11: 50.7% accurate, 28.0× speedup

Math

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

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 (+ -1.0 (* -0.16666666666666666 (* im_m 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 * (re * (-1.0 + (-0.16666666666666666 * (im_m * 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 * (re * ((-1.0d0) + ((-0.16666666666666666d0) * (im_m * 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 * (re * (-1.0 + (-0.16666666666666666 * (im_m * 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 * (re * (-1.0 + (-0.16666666666666666 * (im_m * 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 * Float64(re * Float64(-1.0 + Float64(-0.16666666666666666 * Float64(im_m * 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 * (re * (-1.0 + (-0.16666666666666666 * (im_m * 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[(im$95$m * N[(re * N[(-1.0 + N[(-0.16666666666666666 * N[(im$95$m * im$95$m), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 62.8%

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

3. Taylor expanded in im around 0 78.3%

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

   1. associate-*r* 78.3%

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

   2. distribute-rgt-out 78.3%

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

   3. *-commutative 78.3%

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

5. Simplified 78.3%

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

6. Taylor expanded in re around 0 44.0%

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

   1. unpow2 44.0%

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

8. Applied egg-rr 44.0%

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

9. Final simplification 44.0%

   \[\leadsto im \cdot \left(re \cdot \left(-1 + -0.16666666666666666 \cdot \left(im \cdot im\right)\right)\right) \]
10. Add Preprocessing

Alternative 12: 16.0% accurate, 38.4× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;re \leq 7.2 \cdot 10^{-78}:\\ \;\;\;\;im\_m \cdot 0\\ \mathbf{else}:\\ \;\;\;\;-im\_m\\ \end{array} \end{array} \]

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 7.2e-78) (* 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 <= 7.2e-78) {
		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 <= 7.2d-78) 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 <= 7.2e-78) {
		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 <= 7.2e-78:
		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 <= 7.2e-78)
		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 <= 7.2e-78)
		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, 7.2e-78], N[(im$95$m * 0.0), $MachinePrecision], (-im$95$m)]), $MachinePrecision]

Derivation

1. Split input into 2 regimes

2. if re < 7.2000000000000005e-78

   1. Initial program 71.0%

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

   3. Taylor expanded in im around 0 77.7%

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

      1. associate-*r* 77.7%

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

      2. distribute-rgt-out 77.7%

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

      3. *-commutative 77.7%

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

   5. Simplified 77.7%

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

   7. Applied egg-rr 19.9%

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

   if 7.2000000000000005e-78 < re

   1. Initial program 47.3%

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

   3. Taylor expanded in im around 0 79.5%

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

      1. associate-*r* 79.5%

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

      2. distribute-rgt-out 79.5%

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

      3. *-commutative 79.5%

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

   5. Simplified 79.5%

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

   7. Applied egg-rr 7.8%

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

4. Final simplification 15.8%

   \[\leadsto \begin{array}{l} \mathbf{if}\;re \leq 7.2 \cdot 10^{-78}:\\ \;\;\;\;im \cdot 0\\ \mathbf{else}:\\ \;\;\;\;-im\\ \end{array} \]
5. Add Preprocessing

Alternative 13: 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 62.8%

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

3. Taylor expanded in im around 0 53.4%

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

   1. associate-*r* 53.4%

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

   2. neg-mul-1 53.4%

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

5. Simplified 53.4%

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

6. Taylor expanded in re around 0 28.8%

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

   1. associate-*r* 28.8%

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

   2. neg-mul-1 28.8%

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

8. Simplified 28.8%

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

9. Final simplification 28.8%

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

Alternative 14: 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 62.8%

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

3. Taylor expanded in im around 0 78.3%

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

   1. associate-*r* 78.3%

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

   2. distribute-rgt-out 78.3%

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

   3. *-commutative 78.3%

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

5. Simplified 78.3%

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

7. Applied egg-rr 5.5%

   \[\leadsto im \cdot \color{blue}{-3} \]

8. Final simplification 5.5%

   \[\leadsto im \cdot -3 \]
9. Add Preprocessing

Alternative 15: 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 62.8%

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

3. Taylor expanded in im around 0 78.3%

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

   1. associate-*r* 78.3%

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

   2. distribute-rgt-out 78.3%

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

   3. *-commutative 78.3%

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

5. Simplified 78.3%

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

7. Applied egg-rr 5.9%

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

8. Final simplification 5.9%

   \[\leadsto -im \]
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 2024095 
(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))))