Numeric.SpecFunctions:invIncompleteBetaWorker from math-functions-0.1.5.2, I

Percentage Accurate: 94.3% → 94.1%

Time: 27.6s

Alternatives: 17

Speedup: 0.4×

Specification

Math

\[\begin{array}{l} \\ \frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (/
  x
  (+
   x
   (*
    y
    (exp
     (*
      2.0
      (-
       (/ (* z (sqrt (+ t a))) t)
       (* (- b c) (- (+ a (/ 5.0 6.0)) (/ 2.0 (* t 3.0)))))))))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	return x / (x + (y * exp((2.0 * (((z * sqrt((t + a))) / t) - ((b - c) * ((a + (5.0 / 6.0)) - (2.0 / (t * 3.0)))))))));
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    code = x / (x + (y * exp((2.0d0 * (((z * sqrt((t + a))) / t) - ((b - c) * ((a + (5.0d0 / 6.0d0)) - (2.0d0 / (t * 3.0d0)))))))))
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	return x / (x + (y * Math.exp((2.0 * (((z * Math.sqrt((t + a))) / t) - ((b - c) * ((a + (5.0 / 6.0)) - (2.0 / (t * 3.0)))))))));
}

Python

def code(x, y, z, t, a, b, c):
	return x / (x + (y * math.exp((2.0 * (((z * math.sqrt((t + a))) / t) - ((b - c) * ((a + (5.0 / 6.0)) - (2.0 / (t * 3.0)))))))))

Julia

function code(x, y, z, t, a, b, c)
	return Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(Float64(Float64(z * sqrt(Float64(t + a))) / t) - Float64(Float64(b - c) * Float64(Float64(a + Float64(5.0 / 6.0)) - Float64(2.0 / Float64(t * 3.0))))))))))
end

MATLAB

function tmp = code(x, y, z, t, a, b, c)
	tmp = x / (x + (y * exp((2.0 * (((z * sqrt((t + a))) / t) - ((b - c) * ((a + (5.0 / 6.0)) - (2.0 / (t * 3.0)))))))));
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(N[(N[(z * N[Sqrt[N[(t + a), $MachinePrecision]], $MachinePrecision]), $MachinePrecision] / t), $MachinePrecision] - N[(N[(b - c), $MachinePrecision] * N[(N[(a + N[(5.0 / 6.0), $MachinePrecision]), $MachinePrecision] - N[(2.0 / N[(t * 3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Initial Program: 94.3% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (/
  x
  (+
   x
   (*
    y
    (exp
     (*
      2.0
      (-
       (/ (* z (sqrt (+ t a))) t)
       (* (- b c) (- (+ a (/ 5.0 6.0)) (/ 2.0 (* t 3.0)))))))))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	return x / (x + (y * exp((2.0 * (((z * sqrt((t + a))) / t) - ((b - c) * ((a + (5.0 / 6.0)) - (2.0 / (t * 3.0)))))))));
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    code = x / (x + (y * exp((2.0d0 * (((z * sqrt((t + a))) / t) - ((b - c) * ((a + (5.0d0 / 6.0d0)) - (2.0d0 / (t * 3.0d0)))))))))
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	return x / (x + (y * Math.exp((2.0 * (((z * Math.sqrt((t + a))) / t) - ((b - c) * ((a + (5.0 / 6.0)) - (2.0 / (t * 3.0)))))))));
}

Python

def code(x, y, z, t, a, b, c):
	return x / (x + (y * math.exp((2.0 * (((z * math.sqrt((t + a))) / t) - ((b - c) * ((a + (5.0 / 6.0)) - (2.0 / (t * 3.0)))))))))

Julia

function code(x, y, z, t, a, b, c)
	return Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(Float64(Float64(z * sqrt(Float64(t + a))) / t) - Float64(Float64(b - c) * Float64(Float64(a + Float64(5.0 / 6.0)) - Float64(2.0 / Float64(t * 3.0))))))))))
end

MATLAB

function tmp = code(x, y, z, t, a, b, c)
	tmp = x / (x + (y * exp((2.0 * (((z * sqrt((t + a))) / t) - ((b - c) * ((a + (5.0 / 6.0)) - (2.0 / (t * 3.0)))))))));
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(N[(N[(z * N[Sqrt[N[(t + a), $MachinePrecision]], $MachinePrecision]), $MachinePrecision] / t), $MachinePrecision] - N[(N[(b - c), $MachinePrecision] * N[(N[(a + N[(5.0 / 6.0), $MachinePrecision]), $MachinePrecision] - N[(2.0 / N[(t * 3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Alternative 1: 94.1% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;b \leq 10^{+132}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} + \left(b - c\right) \cdot \left(\frac{2}{t \cdot 3} - \left(a + 0.8333333333333334\right)\right)\right)}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (<= b 1e+132)
   (/
    x
    (+
     x
     (*
      y
      (exp
       (*
        2.0
        (+
         (/ (* z (sqrt (+ t a))) t)
         (* (- b c) (- (/ 2.0 (* t 3.0)) (+ a 0.8333333333333334)))))))))
   (/
    x
    (+
     x
     (*
      y
      (exp
       (*
        2.0
        (* b (- (/ 0.6666666666666666 t) (+ a 0.8333333333333334))))))))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (b <= 1e+132) {
		tmp = x / (x + (y * exp((2.0 * (((z * sqrt((t + a))) / t) + ((b - c) * ((2.0 / (t * 3.0)) - (a + 0.8333333333333334))))))));
	} else {
		tmp = x / (x + (y * exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))));
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if (b <= 1d+132) then
        tmp = x / (x + (y * exp((2.0d0 * (((z * sqrt((t + a))) / t) + ((b - c) * ((2.0d0 / (t * 3.0d0)) - (a + 0.8333333333333334d0))))))))
    else
        tmp = x / (x + (y * exp((2.0d0 * (b * ((0.6666666666666666d0 / t) - (a + 0.8333333333333334d0)))))))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (b <= 1e+132) {
		tmp = x / (x + (y * Math.exp((2.0 * (((z * Math.sqrt((t + a))) / t) + ((b - c) * ((2.0 / (t * 3.0)) - (a + 0.8333333333333334))))))));
	} else {
		tmp = x / (x + (y * Math.exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))));
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if b <= 1e+132:
		tmp = x / (x + (y * math.exp((2.0 * (((z * math.sqrt((t + a))) / t) + ((b - c) * ((2.0 / (t * 3.0)) - (a + 0.8333333333333334))))))))
	else:
		tmp = x / (x + (y * math.exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))))
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if (b <= 1e+132)
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(Float64(Float64(z * sqrt(Float64(t + a))) / t) + Float64(Float64(b - c) * Float64(Float64(2.0 / Float64(t * 3.0)) - Float64(a + 0.8333333333333334)))))))));
	else
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(b * Float64(Float64(0.6666666666666666 / t) - Float64(a + 0.8333333333333334))))))));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if (b <= 1e+132)
		tmp = x / (x + (y * exp((2.0 * (((z * sqrt((t + a))) / t) + ((b - c) * ((2.0 / (t * 3.0)) - (a + 0.8333333333333334))))))));
	else
		tmp = x / (x + (y * exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[LessEqual[b, 1e+132], N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(N[(N[(z * N[Sqrt[N[(t + a), $MachinePrecision]], $MachinePrecision]), $MachinePrecision] / t), $MachinePrecision] + N[(N[(b - c), $MachinePrecision] * N[(N[(2.0 / N[(t * 3.0), $MachinePrecision]), $MachinePrecision] - N[(a + 0.8333333333333334), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(b * N[(N[(0.6666666666666666 / t), $MachinePrecision] - N[(a + 0.8333333333333334), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if b < 9.99999999999999991e131

   1. Initial program 99.5%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   if 9.99999999999999991e131 < b

   1. Initial program 83.6%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 100.0%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 100.0%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 100.0%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 100.0%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 100.0%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]
3. Recombined 2 regimes into one program.

4. Final simplification 99.6%

   \[\leadsto \begin{array}{l} \mathbf{if}\;b \leq 10^{+132}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} + \left(b - c\right) \cdot \left(\frac{2}{t \cdot 3} - \left(a + 0.8333333333333334\right)\right)\right)}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}\\ \end{array} \]
5. Add Preprocessing

Alternative 2: 96.5% accurate, 0.4× speedup

Math

\[\begin{array}{l} \\ \frac{x}{x + y \cdot e^{2 \cdot \log \left(e^{\mathsf{fma}\left(z, \frac{\sqrt{t + a}}{t}, \left(\left(a + 0.8333333333333334\right) - \frac{-2}{t \cdot -3}\right) \cdot \left(c - b\right)\right)}\right)}} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (/
  x
  (+
   x
   (*
    y
    (exp
     (*
      2.0
      (log
       (exp
        (fma
         z
         (/ (sqrt (+ t a)) t)
         (* (- (+ a 0.8333333333333334) (/ -2.0 (* t -3.0))) (- c b)))))))))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	return x / (x + (y * exp((2.0 * log(exp(fma(z, (sqrt((t + a)) / t), (((a + 0.8333333333333334) - (-2.0 / (t * -3.0))) * (c - b)))))))));
}

Julia

function code(x, y, z, t, a, b, c)
	return Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * log(exp(fma(z, Float64(sqrt(Float64(t + a)) / t), Float64(Float64(Float64(a + 0.8333333333333334) - Float64(-2.0 / Float64(t * -3.0))) * Float64(c - b))))))))))
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[Log[N[Exp[N[(z * N[(N[Sqrt[N[(t + a), $MachinePrecision]], $MachinePrecision] / t), $MachinePrecision] + N[(N[(N[(a + 0.8333333333333334), $MachinePrecision] - N[(-2.0 / N[(t * -3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] * N[(c - b), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]], $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 97.6%

   \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
2. Add Preprocessing
3. Step-by-step derivation

   1. add-log-exp 97.6%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\log \left(e^{\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)}\right)}}} \]

   2. associate-/l* 97.2%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \log \left(e^{\color{blue}{z \cdot \frac{\sqrt{t + a}}{t}} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)}\right)}} \]

   3. fma-neg 98.4%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \log \left(e^{\color{blue}{\mathsf{fma}\left(z, \frac{\sqrt{t + a}}{t}, -\left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}}\right)}} \]

   4. *-commutative 98.4%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \log \left(e^{\mathsf{fma}\left(z, \frac{\sqrt{t + a}}{t}, -\color{blue}{\left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right) \cdot \left(b - c\right)}\right)}\right)}} \]

   5. distribute-rgt-neg-in 98.4%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \log \left(e^{\mathsf{fma}\left(z, \frac{\sqrt{t + a}}{t}, \color{blue}{\left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right) \cdot \left(-\left(b - c\right)\right)}\right)}\right)}} \]

   6. metadata-eval 98.4%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \log \left(e^{\mathsf{fma}\left(z, \frac{\sqrt{t + a}}{t}, \left(\left(a + \color{blue}{0.8333333333333334}\right) - \frac{2}{t \cdot 3}\right) \cdot \left(-\left(b - c\right)\right)\right)}\right)}} \]

   7. frac-2neg 98.4%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \log \left(e^{\mathsf{fma}\left(z, \frac{\sqrt{t + a}}{t}, \left(\left(a + 0.8333333333333334\right) - \color{blue}{\frac{-2}{-t \cdot 3}}\right) \cdot \left(-\left(b - c\right)\right)\right)}\right)}} \]

   8. metadata-eval 98.4%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \log \left(e^{\mathsf{fma}\left(z, \frac{\sqrt{t + a}}{t}, \left(\left(a + 0.8333333333333334\right) - \frac{\color{blue}{-2}}{-t \cdot 3}\right) \cdot \left(-\left(b - c\right)\right)\right)}\right)}} \]

   9. distribute-rgt-neg-in 98.4%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \log \left(e^{\mathsf{fma}\left(z, \frac{\sqrt{t + a}}{t}, \left(\left(a + 0.8333333333333334\right) - \frac{-2}{\color{blue}{t \cdot \left(-3\right)}}\right) \cdot \left(-\left(b - c\right)\right)\right)}\right)}} \]

   10. metadata-eval 98.4%

       \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \log \left(e^{\mathsf{fma}\left(z, \frac{\sqrt{t + a}}{t}, \left(\left(a + 0.8333333333333334\right) - \frac{-2}{t \cdot \color{blue}{-3}}\right) \cdot \left(-\left(b - c\right)\right)\right)}\right)}} \]

4. Applied egg-rr 98.4%

   \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\log \left(e^{\mathsf{fma}\left(z, \frac{\sqrt{t + a}}{t}, \left(\left(a + 0.8333333333333334\right) - \frac{-2}{t \cdot -3}\right) \cdot \left(-\left(b - c\right)\right)\right)}\right)}}} \]

5. Final simplification 98.4%

   \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \log \left(e^{\mathsf{fma}\left(z, \frac{\sqrt{t + a}}{t}, \left(\left(a + 0.8333333333333334\right) - \frac{-2}{t \cdot -3}\right) \cdot \left(c - b\right)\right)}\right)}} \]
6. Add Preprocessing

Alternative 3: 96.5% accurate, 0.4× speedup

Math

\[\begin{array}{l} \\ \frac{x}{\mathsf{fma}\left(y, {\left(e^{2}\right)}^{\left(\mathsf{fma}\left(z, \frac{\sqrt{t + a}}{t}, \left(c - b\right) \cdot \left(a + \left(0.8333333333333334 + \frac{-0.6666666666666666}{t}\right)\right)\right)\right)}, x\right)} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (/
  x
  (fma
   y
   (pow
    (exp 2.0)
    (fma
     z
     (/ (sqrt (+ t a)) t)
     (* (- c b) (+ a (+ 0.8333333333333334 (/ -0.6666666666666666 t))))))
   x)))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	return x / fma(y, pow(exp(2.0), fma(z, (sqrt((t + a)) / t), ((c - b) * (a + (0.8333333333333334 + (-0.6666666666666666 / t)))))), x);
}

Julia

function code(x, y, z, t, a, b, c)
	return Float64(x / fma(y, (exp(2.0) ^ fma(z, Float64(sqrt(Float64(t + a)) / t), Float64(Float64(c - b) * Float64(a + Float64(0.8333333333333334 + Float64(-0.6666666666666666 / t)))))), x))
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := N[(x / N[(y * N[Power[N[Exp[2.0], $MachinePrecision], N[(z * N[(N[Sqrt[N[(t + a), $MachinePrecision]], $MachinePrecision] / t), $MachinePrecision] + N[(N[(c - b), $MachinePrecision] * N[(a + N[(0.8333333333333334 + N[(-0.6666666666666666 / t), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision] + x), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 97.6%

   \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]

3. Simplified 98.4%

   \[\leadsto \color{blue}{\frac{x}{\mathsf{fma}\left(y, {\left(e^{2}\right)}^{\left(\mathsf{fma}\left(z, \frac{\sqrt{t + a}}{t}, \left(a + \left(0.8333333333333334 + \frac{-0.6666666666666666}{t}\right)\right) \cdot \left(c - b\right)\right)\right)}, x\right)}} \]
4. Add Preprocessing

5. Final simplification 98.4%

   \[\leadsto \frac{x}{\mathsf{fma}\left(y, {\left(e^{2}\right)}^{\left(\mathsf{fma}\left(z, \frac{\sqrt{t + a}}{t}, \left(c - b\right) \cdot \left(a + \left(0.8333333333333334 + \frac{-0.6666666666666666}{t}\right)\right)\right)\right)}, x\right)} \]
6. Add Preprocessing

Alternative 4: 89.4% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;t \leq 5.6 \cdot 10^{-247}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \frac{z \cdot \sqrt{a} + \left(c - b\right) \cdot -0.6666666666666666}{t}}}\\ \mathbf{elif}\;t \leq 1.15 \cdot 10^{-16}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{1.3333333333333333 \cdot \frac{b - c}{t}}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(z \cdot \sqrt{\frac{1}{t}} + \left(a + 0.8333333333333334\right) \cdot \left(c - b\right)\right)}}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (<= t 5.6e-247)
   (/
    x
    (+
     x
     (*
      y
      (exp (* 2.0 (/ (+ (* z (sqrt a)) (* (- c b) -0.6666666666666666)) t))))))
   (if (<= t 1.15e-16)
     (/ x (+ x (* y (exp (* 1.3333333333333333 (/ (- b c) t))))))
     (/
      x
      (+
       x
       (*
        y
        (exp
         (*
          2.0
          (+
           (* z (sqrt (/ 1.0 t)))
           (* (+ a 0.8333333333333334) (- c b)))))))))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (t <= 5.6e-247) {
		tmp = x / (x + (y * exp((2.0 * (((z * sqrt(a)) + ((c - b) * -0.6666666666666666)) / t)))));
	} else if (t <= 1.15e-16) {
		tmp = x / (x + (y * exp((1.3333333333333333 * ((b - c) / t)))));
	} else {
		tmp = x / (x + (y * exp((2.0 * ((z * sqrt((1.0 / t))) + ((a + 0.8333333333333334) * (c - b)))))));
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if (t <= 5.6d-247) then
        tmp = x / (x + (y * exp((2.0d0 * (((z * sqrt(a)) + ((c - b) * (-0.6666666666666666d0))) / t)))))
    else if (t <= 1.15d-16) then
        tmp = x / (x + (y * exp((1.3333333333333333d0 * ((b - c) / t)))))
    else
        tmp = x / (x + (y * exp((2.0d0 * ((z * sqrt((1.0d0 / t))) + ((a + 0.8333333333333334d0) * (c - b)))))))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (t <= 5.6e-247) {
		tmp = x / (x + (y * Math.exp((2.0 * (((z * Math.sqrt(a)) + ((c - b) * -0.6666666666666666)) / t)))));
	} else if (t <= 1.15e-16) {
		tmp = x / (x + (y * Math.exp((1.3333333333333333 * ((b - c) / t)))));
	} else {
		tmp = x / (x + (y * Math.exp((2.0 * ((z * Math.sqrt((1.0 / t))) + ((a + 0.8333333333333334) * (c - b)))))));
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if t <= 5.6e-247:
		tmp = x / (x + (y * math.exp((2.0 * (((z * math.sqrt(a)) + ((c - b) * -0.6666666666666666)) / t)))))
	elif t <= 1.15e-16:
		tmp = x / (x + (y * math.exp((1.3333333333333333 * ((b - c) / t)))))
	else:
		tmp = x / (x + (y * math.exp((2.0 * ((z * math.sqrt((1.0 / t))) + ((a + 0.8333333333333334) * (c - b)))))))
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if (t <= 5.6e-247)
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(Float64(Float64(z * sqrt(a)) + Float64(Float64(c - b) * -0.6666666666666666)) / t))))));
	elseif (t <= 1.15e-16)
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(1.3333333333333333 * Float64(Float64(b - c) / t))))));
	else
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(Float64(z * sqrt(Float64(1.0 / t))) + Float64(Float64(a + 0.8333333333333334) * Float64(c - b))))))));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if (t <= 5.6e-247)
		tmp = x / (x + (y * exp((2.0 * (((z * sqrt(a)) + ((c - b) * -0.6666666666666666)) / t)))));
	elseif (t <= 1.15e-16)
		tmp = x / (x + (y * exp((1.3333333333333333 * ((b - c) / t)))));
	else
		tmp = x / (x + (y * exp((2.0 * ((z * sqrt((1.0 / t))) + ((a + 0.8333333333333334) * (c - b)))))));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[LessEqual[t, 5.6e-247], N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(N[(N[(z * N[Sqrt[a], $MachinePrecision]), $MachinePrecision] + N[(N[(c - b), $MachinePrecision] * -0.6666666666666666), $MachinePrecision]), $MachinePrecision] / t), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[t, 1.15e-16], N[(x / N[(x + N[(y * N[Exp[N[(1.3333333333333333 * N[(N[(b - c), $MachinePrecision] / t), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(N[(z * N[Sqrt[N[(1.0 / t), $MachinePrecision]], $MachinePrecision]), $MachinePrecision] + N[(N[(a + 0.8333333333333334), $MachinePrecision] * N[(c - b), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]

Derivation

1. Split input into 3 regimes

2. if t < 5.59999999999999973e-247

   1. Initial program 97.6%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in t around 0 91.8%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\frac{\sqrt{a} \cdot z - -0.6666666666666666 \cdot \left(b - c\right)}{t}}}} \]

   if 5.59999999999999973e-247 < t < 1.15e-16

   1. Initial program 98.3%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in t around 0 56.6%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\frac{\sqrt{a} \cdot z - -0.6666666666666666 \cdot \left(b - c\right)}{t}}}} \]

   4. Taylor expanded in z around 0 73.6%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{e^{1.3333333333333333 \cdot \frac{b - c}{t}}}} \]

   if 1.15e-16 < t

   1. Initial program 97.2%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in t around inf 100.0%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(\sqrt{\frac{1}{t}} \cdot z - \left(0.8333333333333334 + a\right) \cdot \left(b - c\right)\right)}}} \]
3. Recombined 3 regimes into one program.

4. Final simplification 90.5%

   \[\leadsto \begin{array}{l} \mathbf{if}\;t \leq 5.6 \cdot 10^{-247}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \frac{z \cdot \sqrt{a} + \left(c - b\right) \cdot -0.6666666666666666}{t}}}\\ \mathbf{elif}\;t \leq 1.15 \cdot 10^{-16}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{1.3333333333333333 \cdot \frac{b - c}{t}}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(z \cdot \sqrt{\frac{1}{t}} + \left(a + 0.8333333333333334\right) \cdot \left(c - b\right)\right)}}\\ \end{array} \]
5. Add Preprocessing

Alternative 5: 73.1% accurate, 1.7× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_1 := \frac{x}{x + y \cdot e^{2 \cdot \left(\left(a + 0.8333333333333334\right) \cdot c\right)}}\\ \mathbf{if}\;c \leq -1 \cdot 10^{+72}:\\ \;\;\;\;t\_1\\ \mathbf{elif}\;c \leq -1.55 \cdot 10^{+27}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{1.3333333333333333 \cdot \frac{b - c}{t}}}\\ \mathbf{elif}\;c \leq 1.6 \cdot 10^{+102}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}\\ \mathbf{else}:\\ \;\;\;\;t\_1\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (let* ((t_1 (/ x (+ x (* y (exp (* 2.0 (* (+ a 0.8333333333333334) c))))))))
   (if (<= c -1e+72)
     t_1
     (if (<= c -1.55e+27)
       (/ x (+ x (* y (exp (* 1.3333333333333333 (/ (- b c) t))))))
       (if (<= c 1.6e+102)
         (/
          x
          (+
           x
           (*
            y
            (exp
             (*
              2.0
              (* b (- (/ 0.6666666666666666 t) (+ a 0.8333333333333334))))))))
         t_1)))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double t_1 = x / (x + (y * exp((2.0 * ((a + 0.8333333333333334) * c)))));
	double tmp;
	if (c <= -1e+72) {
		tmp = t_1;
	} else if (c <= -1.55e+27) {
		tmp = x / (x + (y * exp((1.3333333333333333 * ((b - c) / t)))));
	} else if (c <= 1.6e+102) {
		tmp = x / (x + (y * exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))));
	} else {
		tmp = t_1;
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: t_1
    real(8) :: tmp
    t_1 = x / (x + (y * exp((2.0d0 * ((a + 0.8333333333333334d0) * c)))))
    if (c <= (-1d+72)) then
        tmp = t_1
    else if (c <= (-1.55d+27)) then
        tmp = x / (x + (y * exp((1.3333333333333333d0 * ((b - c) / t)))))
    else if (c <= 1.6d+102) then
        tmp = x / (x + (y * exp((2.0d0 * (b * ((0.6666666666666666d0 / t) - (a + 0.8333333333333334d0)))))))
    else
        tmp = t_1
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double t_1 = x / (x + (y * Math.exp((2.0 * ((a + 0.8333333333333334) * c)))));
	double tmp;
	if (c <= -1e+72) {
		tmp = t_1;
	} else if (c <= -1.55e+27) {
		tmp = x / (x + (y * Math.exp((1.3333333333333333 * ((b - c) / t)))));
	} else if (c <= 1.6e+102) {
		tmp = x / (x + (y * Math.exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))));
	} else {
		tmp = t_1;
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	t_1 = x / (x + (y * math.exp((2.0 * ((a + 0.8333333333333334) * c)))))
	tmp = 0
	if c <= -1e+72:
		tmp = t_1
	elif c <= -1.55e+27:
		tmp = x / (x + (y * math.exp((1.3333333333333333 * ((b - c) / t)))))
	elif c <= 1.6e+102:
		tmp = x / (x + (y * math.exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))))
	else:
		tmp = t_1
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	t_1 = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(Float64(a + 0.8333333333333334) * c))))))
	tmp = 0.0
	if (c <= -1e+72)
		tmp = t_1;
	elseif (c <= -1.55e+27)
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(1.3333333333333333 * Float64(Float64(b - c) / t))))));
	elseif (c <= 1.6e+102)
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(b * Float64(Float64(0.6666666666666666 / t) - Float64(a + 0.8333333333333334))))))));
	else
		tmp = t_1;
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	t_1 = x / (x + (y * exp((2.0 * ((a + 0.8333333333333334) * c)))));
	tmp = 0.0;
	if (c <= -1e+72)
		tmp = t_1;
	elseif (c <= -1.55e+27)
		tmp = x / (x + (y * exp((1.3333333333333333 * ((b - c) / t)))));
	elseif (c <= 1.6e+102)
		tmp = x / (x + (y * exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))));
	else
		tmp = t_1;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := Block[{t$95$1 = N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(N[(a + 0.8333333333333334), $MachinePrecision] * c), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]}, If[LessEqual[c, -1e+72], t$95$1, If[LessEqual[c, -1.55e+27], N[(x / N[(x + N[(y * N[Exp[N[(1.3333333333333333 * N[(N[(b - c), $MachinePrecision] / t), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[c, 1.6e+102], N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(b * N[(N[(0.6666666666666666 / t), $MachinePrecision] - N[(a + 0.8333333333333334), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], t$95$1]]]]

Derivation

1. Split input into 3 regimes

2. if c < -9.99999999999999944e71 or 1.6e102 < c

   1. Initial program 97.4%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in c around inf 91.0%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(c \cdot \left(\left(0.8333333333333334 + a\right) - 0.6666666666666666 \cdot \frac{1}{t}\right)\right)}}} \]
   4. Step-by-step derivation

      1. cancel-sign-sub-inv 91.0%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \color{blue}{\left(\left(0.8333333333333334 + a\right) + \left(-0.6666666666666666\right) \cdot \frac{1}{t}\right)}\right)}} \]

      2. +-commutative 91.0%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(\color{blue}{\left(a + 0.8333333333333334\right)} + \left(-0.6666666666666666\right) \cdot \frac{1}{t}\right)\right)}} \]

      3. metadata-eval 91.0%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(\left(a + 0.8333333333333334\right) + \color{blue}{-0.6666666666666666} \cdot \frac{1}{t}\right)\right)}} \]

      4. associate-*r/ 91.0%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(\left(a + 0.8333333333333334\right) + \color{blue}{\frac{-0.6666666666666666 \cdot 1}{t}}\right)\right)}} \]

      5. metadata-eval 91.0%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(\left(a + 0.8333333333333334\right) + \frac{\color{blue}{-0.6666666666666666}}{t}\right)\right)}} \]

      6. associate-+l+ 91.0%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \color{blue}{\left(a + \left(0.8333333333333334 + \frac{-0.6666666666666666}{t}\right)\right)}\right)}} \]

   5. Simplified 91.0%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(c \cdot \left(a + \left(0.8333333333333334 + \frac{-0.6666666666666666}{t}\right)\right)\right)}}} \]

   6. Taylor expanded in t around inf 75.5%

      \[\leadsto \color{blue}{\frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(0.8333333333333334 + a\right)\right)}}} \]

   if -9.99999999999999944e71 < c < -1.54999999999999998e27

   1. Initial program 100.0%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in t around 0 61.1%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\frac{\sqrt{a} \cdot z - -0.6666666666666666 \cdot \left(b - c\right)}{t}}}} \]

   4. Taylor expanded in z around 0 78.6%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{e^{1.3333333333333333 \cdot \frac{b - c}{t}}}} \]

   if -1.54999999999999998e27 < c < 1.6e102

   1. Initial program 97.5%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 83.2%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 83.2%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 83.2%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 83.2%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 83.2%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]
3. Recombined 3 regimes into one program.

4. Final simplification 80.6%

   \[\leadsto \begin{array}{l} \mathbf{if}\;c \leq -1 \cdot 10^{+72}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(\left(a + 0.8333333333333334\right) \cdot c\right)}}\\ \mathbf{elif}\;c \leq -1.55 \cdot 10^{+27}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{1.3333333333333333 \cdot \frac{b - c}{t}}}\\ \mathbf{elif}\;c \leq 1.6 \cdot 10^{+102}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(\left(a + 0.8333333333333334\right) \cdot c\right)}}\\ \end{array} \]
5. Add Preprocessing

Alternative 6: 80.4% accurate, 1.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;c \leq -9.5 \cdot 10^{-50} \lor \neg \left(c \leq 2.1 \cdot 10^{+28}\right):\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(a + \left(0.8333333333333334 + \frac{-0.6666666666666666}{t}\right)\right)\right)}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \frac{\frac{0.6666666666666666}{t} + -0.8333333333333334}{a} - b\right)\right)}}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (or (<= c -9.5e-50) (not (<= c 2.1e+28)))
   (/
    x
    (+
     x
     (*
      y
      (exp
       (* 2.0 (* c (+ a (+ 0.8333333333333334 (/ -0.6666666666666666 t)))))))))
   (/
    x
    (+
     x
     (*
      y
      (exp
       (*
        2.0
        (*
         a
         (-
          (* b (/ (+ (/ 0.6666666666666666 t) -0.8333333333333334) a))
          b)))))))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if ((c <= -9.5e-50) || !(c <= 2.1e+28)) {
		tmp = x / (x + (y * exp((2.0 * (c * (a + (0.8333333333333334 + (-0.6666666666666666 / t))))))));
	} else {
		tmp = x / (x + (y * exp((2.0 * (a * ((b * (((0.6666666666666666 / t) + -0.8333333333333334) / a)) - b))))));
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if ((c <= (-9.5d-50)) .or. (.not. (c <= 2.1d+28))) then
        tmp = x / (x + (y * exp((2.0d0 * (c * (a + (0.8333333333333334d0 + ((-0.6666666666666666d0) / t))))))))
    else
        tmp = x / (x + (y * exp((2.0d0 * (a * ((b * (((0.6666666666666666d0 / t) + (-0.8333333333333334d0)) / a)) - b))))))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if ((c <= -9.5e-50) || !(c <= 2.1e+28)) {
		tmp = x / (x + (y * Math.exp((2.0 * (c * (a + (0.8333333333333334 + (-0.6666666666666666 / t))))))));
	} else {
		tmp = x / (x + (y * Math.exp((2.0 * (a * ((b * (((0.6666666666666666 / t) + -0.8333333333333334) / a)) - b))))));
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if (c <= -9.5e-50) or not (c <= 2.1e+28):
		tmp = x / (x + (y * math.exp((2.0 * (c * (a + (0.8333333333333334 + (-0.6666666666666666 / t))))))))
	else:
		tmp = x / (x + (y * math.exp((2.0 * (a * ((b * (((0.6666666666666666 / t) + -0.8333333333333334) / a)) - b))))))
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if ((c <= -9.5e-50) || !(c <= 2.1e+28))
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(c * Float64(a + Float64(0.8333333333333334 + Float64(-0.6666666666666666 / t)))))))));
	else
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(a * Float64(Float64(b * Float64(Float64(Float64(0.6666666666666666 / t) + -0.8333333333333334) / a)) - b)))))));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if ((c <= -9.5e-50) || ~((c <= 2.1e+28)))
		tmp = x / (x + (y * exp((2.0 * (c * (a + (0.8333333333333334 + (-0.6666666666666666 / t))))))));
	else
		tmp = x / (x + (y * exp((2.0 * (a * ((b * (((0.6666666666666666 / t) + -0.8333333333333334) / a)) - b))))));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[Or[LessEqual[c, -9.5e-50], N[Not[LessEqual[c, 2.1e+28]], $MachinePrecision]], N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(c * N[(a + N[(0.8333333333333334 + N[(-0.6666666666666666 / t), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(a * N[(N[(b * N[(N[(N[(0.6666666666666666 / t), $MachinePrecision] + -0.8333333333333334), $MachinePrecision] / a), $MachinePrecision]), $MachinePrecision] - b), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if c < -9.4999999999999993e-50 or 2.09999999999999989e28 < c

   1. Initial program 97.6%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in c around inf 87.4%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(c \cdot \left(\left(0.8333333333333334 + a\right) - 0.6666666666666666 \cdot \frac{1}{t}\right)\right)}}} \]
   4. Step-by-step derivation

      1. cancel-sign-sub-inv 87.4%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \color{blue}{\left(\left(0.8333333333333334 + a\right) + \left(-0.6666666666666666\right) \cdot \frac{1}{t}\right)}\right)}} \]

      2. +-commutative 87.4%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(\color{blue}{\left(a + 0.8333333333333334\right)} + \left(-0.6666666666666666\right) \cdot \frac{1}{t}\right)\right)}} \]

      3. metadata-eval 87.4%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(\left(a + 0.8333333333333334\right) + \color{blue}{-0.6666666666666666} \cdot \frac{1}{t}\right)\right)}} \]

      4. associate-*r/ 87.4%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(\left(a + 0.8333333333333334\right) + \color{blue}{\frac{-0.6666666666666666 \cdot 1}{t}}\right)\right)}} \]

      5. metadata-eval 87.4%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(\left(a + 0.8333333333333334\right) + \frac{\color{blue}{-0.6666666666666666}}{t}\right)\right)}} \]

      6. associate-+l+ 87.4%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \color{blue}{\left(a + \left(0.8333333333333334 + \frac{-0.6666666666666666}{t}\right)\right)}\right)}} \]

   5. Simplified 87.4%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(c \cdot \left(a + \left(0.8333333333333334 + \frac{-0.6666666666666666}{t}\right)\right)\right)}}} \]

   if -9.4999999999999993e-50 < c < 2.09999999999999989e28

   1. Initial program 97.7%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 85.3%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 85.3%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 85.3%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 85.3%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 85.3%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]

   6. Taylor expanded in a around inf 83.8%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(a \cdot \left(-1 \cdot b + \frac{b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - 0.8333333333333334\right)}{a}\right)\right)}}} \]
   7. Step-by-step derivation

      1. mul-1-neg 83.8%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(\color{blue}{\left(-b\right)} + \frac{b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - 0.8333333333333334\right)}{a}\right)\right)}} \]

      2. +-commutative 83.8%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \color{blue}{\left(\frac{b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - 0.8333333333333334\right)}{a} + \left(-b\right)\right)}\right)}} \]

      3. unsub-neg 83.8%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \color{blue}{\left(\frac{b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - 0.8333333333333334\right)}{a} - b\right)}\right)}} \]

      4. associate-/l* 86.0%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(\color{blue}{b \cdot \frac{0.6666666666666666 \cdot \frac{1}{t} - 0.8333333333333334}{a}} - b\right)\right)}} \]

      5. sub-neg 86.0%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \frac{\color{blue}{0.6666666666666666 \cdot \frac{1}{t} + \left(-0.8333333333333334\right)}}{a} - b\right)\right)}} \]

      6. associate-*r/ 86.0%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \frac{\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} + \left(-0.8333333333333334\right)}{a} - b\right)\right)}} \]

      7. metadata-eval 86.0%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \frac{\frac{\color{blue}{0.6666666666666666}}{t} + \left(-0.8333333333333334\right)}{a} - b\right)\right)}} \]

      8. metadata-eval 86.0%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \frac{\frac{0.6666666666666666}{t} + \color{blue}{-0.8333333333333334}}{a} - b\right)\right)}} \]

   8. Simplified 86.0%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(a \cdot \left(b \cdot \frac{\frac{0.6666666666666666}{t} + -0.8333333333333334}{a} - b\right)\right)}}} \]
3. Recombined 2 regimes into one program.

4. Final simplification 86.7%

   \[\leadsto \begin{array}{l} \mathbf{if}\;c \leq -9.5 \cdot 10^{-50} \lor \neg \left(c \leq 2.1 \cdot 10^{+28}\right):\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(a + \left(0.8333333333333334 + \frac{-0.6666666666666666}{t}\right)\right)\right)}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \frac{\frac{0.6666666666666666}{t} + -0.8333333333333334}{a} - b\right)\right)}}\\ \end{array} \]
5. Add Preprocessing

Alternative 7: 71.8% accurate, 1.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;t \leq 9 \cdot 10^{-14}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{1.3333333333333333 \cdot \frac{b - c}{t}}}\\ \mathbf{elif}\;t \leq 5 \cdot 10^{+82} \lor \neg \left(t \leq 3.4 \cdot 10^{+124}\right):\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(\left(a + 0.8333333333333334\right) \cdot c\right)}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{-2 \cdot \left(\left(a + 0.8333333333333334\right) \cdot b\right)}}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (<= t 9e-14)
   (/ x (+ x (* y (exp (* 1.3333333333333333 (/ (- b c) t))))))
   (if (or (<= t 5e+82) (not (<= t 3.4e+124)))
     (/ x (+ x (* y (exp (* 2.0 (* (+ a 0.8333333333333334) c))))))
     (/ x (+ x (* y (exp (* -2.0 (* (+ a 0.8333333333333334) b)))))))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (t <= 9e-14) {
		tmp = x / (x + (y * exp((1.3333333333333333 * ((b - c) / t)))));
	} else if ((t <= 5e+82) || !(t <= 3.4e+124)) {
		tmp = x / (x + (y * exp((2.0 * ((a + 0.8333333333333334) * c)))));
	} else {
		tmp = x / (x + (y * exp((-2.0 * ((a + 0.8333333333333334) * b)))));
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if (t <= 9d-14) then
        tmp = x / (x + (y * exp((1.3333333333333333d0 * ((b - c) / t)))))
    else if ((t <= 5d+82) .or. (.not. (t <= 3.4d+124))) then
        tmp = x / (x + (y * exp((2.0d0 * ((a + 0.8333333333333334d0) * c)))))
    else
        tmp = x / (x + (y * exp(((-2.0d0) * ((a + 0.8333333333333334d0) * b)))))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (t <= 9e-14) {
		tmp = x / (x + (y * Math.exp((1.3333333333333333 * ((b - c) / t)))));
	} else if ((t <= 5e+82) || !(t <= 3.4e+124)) {
		tmp = x / (x + (y * Math.exp((2.0 * ((a + 0.8333333333333334) * c)))));
	} else {
		tmp = x / (x + (y * Math.exp((-2.0 * ((a + 0.8333333333333334) * b)))));
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if t <= 9e-14:
		tmp = x / (x + (y * math.exp((1.3333333333333333 * ((b - c) / t)))))
	elif (t <= 5e+82) or not (t <= 3.4e+124):
		tmp = x / (x + (y * math.exp((2.0 * ((a + 0.8333333333333334) * c)))))
	else:
		tmp = x / (x + (y * math.exp((-2.0 * ((a + 0.8333333333333334) * b)))))
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if (t <= 9e-14)
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(1.3333333333333333 * Float64(Float64(b - c) / t))))));
	elseif ((t <= 5e+82) || !(t <= 3.4e+124))
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(Float64(a + 0.8333333333333334) * c))))));
	else
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(-2.0 * Float64(Float64(a + 0.8333333333333334) * b))))));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if (t <= 9e-14)
		tmp = x / (x + (y * exp((1.3333333333333333 * ((b - c) / t)))));
	elseif ((t <= 5e+82) || ~((t <= 3.4e+124)))
		tmp = x / (x + (y * exp((2.0 * ((a + 0.8333333333333334) * c)))));
	else
		tmp = x / (x + (y * exp((-2.0 * ((a + 0.8333333333333334) * b)))));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[LessEqual[t, 9e-14], N[(x / N[(x + N[(y * N[Exp[N[(1.3333333333333333 * N[(N[(b - c), $MachinePrecision] / t), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[Or[LessEqual[t, 5e+82], N[Not[LessEqual[t, 3.4e+124]], $MachinePrecision]], N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(N[(a + 0.8333333333333334), $MachinePrecision] * c), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x / N[(x + N[(y * N[Exp[N[(-2.0 * N[(N[(a + 0.8333333333333334), $MachinePrecision] * b), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]

Derivation

1. Split input into 3 regimes

2. if t < 8.9999999999999995e-14

   1. Initial program 97.9%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in t around 0 75.7%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\frac{\sqrt{a} \cdot z - -0.6666666666666666 \cdot \left(b - c\right)}{t}}}} \]

   4. Taylor expanded in z around 0 78.6%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{e^{1.3333333333333333 \cdot \frac{b - c}{t}}}} \]

   if 8.9999999999999995e-14 < t < 5.00000000000000015e82 or 3.4e124 < t

   1. Initial program 96.8%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in c around inf 81.5%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(c \cdot \left(\left(0.8333333333333334 + a\right) - 0.6666666666666666 \cdot \frac{1}{t}\right)\right)}}} \]
   4. Step-by-step derivation

      1. cancel-sign-sub-inv 81.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \color{blue}{\left(\left(0.8333333333333334 + a\right) + \left(-0.6666666666666666\right) \cdot \frac{1}{t}\right)}\right)}} \]

      2. +-commutative 81.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(\color{blue}{\left(a + 0.8333333333333334\right)} + \left(-0.6666666666666666\right) \cdot \frac{1}{t}\right)\right)}} \]

      3. metadata-eval 81.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(\left(a + 0.8333333333333334\right) + \color{blue}{-0.6666666666666666} \cdot \frac{1}{t}\right)\right)}} \]

      4. associate-*r/ 81.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(\left(a + 0.8333333333333334\right) + \color{blue}{\frac{-0.6666666666666666 \cdot 1}{t}}\right)\right)}} \]

      5. metadata-eval 81.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(\left(a + 0.8333333333333334\right) + \frac{\color{blue}{-0.6666666666666666}}{t}\right)\right)}} \]

      6. associate-+l+ 81.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \color{blue}{\left(a + \left(0.8333333333333334 + \frac{-0.6666666666666666}{t}\right)\right)}\right)}} \]

   5. Simplified 81.5%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(c \cdot \left(a + \left(0.8333333333333334 + \frac{-0.6666666666666666}{t}\right)\right)\right)}}} \]

   6. Taylor expanded in t around inf 81.5%

      \[\leadsto \color{blue}{\frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(0.8333333333333334 + a\right)\right)}}} \]

   if 5.00000000000000015e82 < t < 3.4e124

   1. Initial program 99.9%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 87.0%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 87.0%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 87.0%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 87.0%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 87.0%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]

   6. Taylor expanded in t around inf 87.0%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{e^{-2 \cdot \left(b \cdot \left(0.8333333333333334 + a\right)\right)}}} \]
3. Recombined 3 regimes into one program.

4. Final simplification 80.1%

   \[\leadsto \begin{array}{l} \mathbf{if}\;t \leq 9 \cdot 10^{-14}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{1.3333333333333333 \cdot \frac{b - c}{t}}}\\ \mathbf{elif}\;t \leq 5 \cdot 10^{+82} \lor \neg \left(t \leq 3.4 \cdot 10^{+124}\right):\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(\left(a + 0.8333333333333334\right) \cdot c\right)}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{-2 \cdot \left(\left(a + 0.8333333333333334\right) \cdot b\right)}}\\ \end{array} \]
5. Add Preprocessing

Alternative 8: 80.3% accurate, 1.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;c \leq -9.2 \cdot 10^{-50} \lor \neg \left(c \leq 2 \cdot 10^{+28}\right):\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(a + \left(0.8333333333333334 + \frac{-0.6666666666666666}{t}\right)\right)\right)}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (or (<= c -9.2e-50) (not (<= c 2e+28)))
   (/
    x
    (+
     x
     (*
      y
      (exp
       (* 2.0 (* c (+ a (+ 0.8333333333333334 (/ -0.6666666666666666 t)))))))))
   (/
    x
    (+
     x
     (*
      y
      (exp
       (*
        2.0
        (* b (- (/ 0.6666666666666666 t) (+ a 0.8333333333333334))))))))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if ((c <= -9.2e-50) || !(c <= 2e+28)) {
		tmp = x / (x + (y * exp((2.0 * (c * (a + (0.8333333333333334 + (-0.6666666666666666 / t))))))));
	} else {
		tmp = x / (x + (y * exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))));
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if ((c <= (-9.2d-50)) .or. (.not. (c <= 2d+28))) then
        tmp = x / (x + (y * exp((2.0d0 * (c * (a + (0.8333333333333334d0 + ((-0.6666666666666666d0) / t))))))))
    else
        tmp = x / (x + (y * exp((2.0d0 * (b * ((0.6666666666666666d0 / t) - (a + 0.8333333333333334d0)))))))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if ((c <= -9.2e-50) || !(c <= 2e+28)) {
		tmp = x / (x + (y * Math.exp((2.0 * (c * (a + (0.8333333333333334 + (-0.6666666666666666 / t))))))));
	} else {
		tmp = x / (x + (y * Math.exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))));
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if (c <= -9.2e-50) or not (c <= 2e+28):
		tmp = x / (x + (y * math.exp((2.0 * (c * (a + (0.8333333333333334 + (-0.6666666666666666 / t))))))))
	else:
		tmp = x / (x + (y * math.exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))))
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if ((c <= -9.2e-50) || !(c <= 2e+28))
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(c * Float64(a + Float64(0.8333333333333334 + Float64(-0.6666666666666666 / t)))))))));
	else
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(b * Float64(Float64(0.6666666666666666 / t) - Float64(a + 0.8333333333333334))))))));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if ((c <= -9.2e-50) || ~((c <= 2e+28)))
		tmp = x / (x + (y * exp((2.0 * (c * (a + (0.8333333333333334 + (-0.6666666666666666 / t))))))));
	else
		tmp = x / (x + (y * exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[Or[LessEqual[c, -9.2e-50], N[Not[LessEqual[c, 2e+28]], $MachinePrecision]], N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(c * N[(a + N[(0.8333333333333334 + N[(-0.6666666666666666 / t), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(b * N[(N[(0.6666666666666666 / t), $MachinePrecision] - N[(a + 0.8333333333333334), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if c < -9.20000000000000078e-50 or 1.99999999999999992e28 < c

   1. Initial program 97.6%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in c around inf 87.4%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(c \cdot \left(\left(0.8333333333333334 + a\right) - 0.6666666666666666 \cdot \frac{1}{t}\right)\right)}}} \]
   4. Step-by-step derivation

      1. cancel-sign-sub-inv 87.4%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \color{blue}{\left(\left(0.8333333333333334 + a\right) + \left(-0.6666666666666666\right) \cdot \frac{1}{t}\right)}\right)}} \]

      2. +-commutative 87.4%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(\color{blue}{\left(a + 0.8333333333333334\right)} + \left(-0.6666666666666666\right) \cdot \frac{1}{t}\right)\right)}} \]

      3. metadata-eval 87.4%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(\left(a + 0.8333333333333334\right) + \color{blue}{-0.6666666666666666} \cdot \frac{1}{t}\right)\right)}} \]

      4. associate-*r/ 87.4%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(\left(a + 0.8333333333333334\right) + \color{blue}{\frac{-0.6666666666666666 \cdot 1}{t}}\right)\right)}} \]

      5. metadata-eval 87.4%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(\left(a + 0.8333333333333334\right) + \frac{\color{blue}{-0.6666666666666666}}{t}\right)\right)}} \]

      6. associate-+l+ 87.4%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \color{blue}{\left(a + \left(0.8333333333333334 + \frac{-0.6666666666666666}{t}\right)\right)}\right)}} \]

   5. Simplified 87.4%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(c \cdot \left(a + \left(0.8333333333333334 + \frac{-0.6666666666666666}{t}\right)\right)\right)}}} \]

   if -9.20000000000000078e-50 < c < 1.99999999999999992e28

   1. Initial program 97.7%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 85.3%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 85.3%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 85.3%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 85.3%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 85.3%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]
3. Recombined 2 regimes into one program.

4. Final simplification 86.3%

   \[\leadsto \begin{array}{l} \mathbf{if}\;c \leq -9.2 \cdot 10^{-50} \lor \neg \left(c \leq 2 \cdot 10^{+28}\right):\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(a + \left(0.8333333333333334 + \frac{-0.6666666666666666}{t}\right)\right)\right)}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}\\ \end{array} \]
5. Add Preprocessing

Alternative 9: 64.4% accurate, 1.9× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;t \leq -2.4 \cdot 10^{-175}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{-2 \cdot \left(a \cdot b\right)}}\\ \mathbf{elif}\;t \leq 1300000000000:\\ \;\;\;\;\frac{x}{x + y \cdot e^{1.3333333333333333 \cdot \frac{b}{t}}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{-2 \cdot \left(\left(a + 0.8333333333333334\right) \cdot b\right)}}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (<= t -2.4e-175)
   (/ x (+ x (* y (exp (* -2.0 (* a b))))))
   (if (<= t 1300000000000.0)
     (/ x (+ x (* y (exp (* 1.3333333333333333 (/ b t))))))
     (/ x (+ x (* y (exp (* -2.0 (* (+ a 0.8333333333333334) b)))))))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (t <= -2.4e-175) {
		tmp = x / (x + (y * exp((-2.0 * (a * b)))));
	} else if (t <= 1300000000000.0) {
		tmp = x / (x + (y * exp((1.3333333333333333 * (b / t)))));
	} else {
		tmp = x / (x + (y * exp((-2.0 * ((a + 0.8333333333333334) * b)))));
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if (t <= (-2.4d-175)) then
        tmp = x / (x + (y * exp(((-2.0d0) * (a * b)))))
    else if (t <= 1300000000000.0d0) then
        tmp = x / (x + (y * exp((1.3333333333333333d0 * (b / t)))))
    else
        tmp = x / (x + (y * exp(((-2.0d0) * ((a + 0.8333333333333334d0) * b)))))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (t <= -2.4e-175) {
		tmp = x / (x + (y * Math.exp((-2.0 * (a * b)))));
	} else if (t <= 1300000000000.0) {
		tmp = x / (x + (y * Math.exp((1.3333333333333333 * (b / t)))));
	} else {
		tmp = x / (x + (y * Math.exp((-2.0 * ((a + 0.8333333333333334) * b)))));
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if t <= -2.4e-175:
		tmp = x / (x + (y * math.exp((-2.0 * (a * b)))))
	elif t <= 1300000000000.0:
		tmp = x / (x + (y * math.exp((1.3333333333333333 * (b / t)))))
	else:
		tmp = x / (x + (y * math.exp((-2.0 * ((a + 0.8333333333333334) * b)))))
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if (t <= -2.4e-175)
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(-2.0 * Float64(a * b))))));
	elseif (t <= 1300000000000.0)
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(1.3333333333333333 * Float64(b / t))))));
	else
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(-2.0 * Float64(Float64(a + 0.8333333333333334) * b))))));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if (t <= -2.4e-175)
		tmp = x / (x + (y * exp((-2.0 * (a * b)))));
	elseif (t <= 1300000000000.0)
		tmp = x / (x + (y * exp((1.3333333333333333 * (b / t)))));
	else
		tmp = x / (x + (y * exp((-2.0 * ((a + 0.8333333333333334) * b)))));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[LessEqual[t, -2.4e-175], N[(x / N[(x + N[(y * N[Exp[N[(-2.0 * N[(a * b), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[t, 1300000000000.0], N[(x / N[(x + N[(y * N[Exp[N[(1.3333333333333333 * N[(b / t), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x / N[(x + N[(y * N[Exp[N[(-2.0 * N[(N[(a + 0.8333333333333334), $MachinePrecision] * b), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]

Derivation

1. Split input into 3 regimes

2. if t < -2.4e-175

   1. Initial program 100.0%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 70.2%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 70.2%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 70.2%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 70.2%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 70.2%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]

   6. Taylor expanded in t around inf 72.4%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{e^{-2 \cdot \left(b \cdot \left(0.8333333333333334 + a\right)\right)}}} \]

   7. Taylor expanded in a around inf 72.4%

      \[\leadsto \frac{x}{x + y \cdot e^{-2 \cdot \color{blue}{\left(a \cdot b\right)}}} \]
   8. Step-by-step derivation

      1. *-commutative 72.4%

         \[\leadsto \frac{x}{x + y \cdot e^{-2 \cdot \color{blue}{\left(b \cdot a\right)}}} \]

   9. Simplified 72.4%

      \[\leadsto \frac{x}{x + y \cdot e^{-2 \cdot \color{blue}{\left(b \cdot a\right)}}} \]

   if -2.4e-175 < t < 1.3e12

   1. Initial program 97.2%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 73.2%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 73.2%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 73.2%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 73.2%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 73.2%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]

   6. Taylor expanded in a around inf 71.5%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(a \cdot \left(-1 \cdot b + \frac{b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - 0.8333333333333334\right)}{a}\right)\right)}}} \]
   7. Step-by-step derivation

      1. mul-1-neg 71.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(\color{blue}{\left(-b\right)} + \frac{b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - 0.8333333333333334\right)}{a}\right)\right)}} \]

      2. +-commutative 71.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \color{blue}{\left(\frac{b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - 0.8333333333333334\right)}{a} + \left(-b\right)\right)}\right)}} \]

      3. unsub-neg 71.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \color{blue}{\left(\frac{b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - 0.8333333333333334\right)}{a} - b\right)}\right)}} \]

      4. associate-/l* 73.2%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(\color{blue}{b \cdot \frac{0.6666666666666666 \cdot \frac{1}{t} - 0.8333333333333334}{a}} - b\right)\right)}} \]

      5. sub-neg 73.2%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \frac{\color{blue}{0.6666666666666666 \cdot \frac{1}{t} + \left(-0.8333333333333334\right)}}{a} - b\right)\right)}} \]

      6. associate-*r/ 73.2%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \frac{\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} + \left(-0.8333333333333334\right)}{a} - b\right)\right)}} \]

      7. metadata-eval 73.2%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \frac{\frac{\color{blue}{0.6666666666666666}}{t} + \left(-0.8333333333333334\right)}{a} - b\right)\right)}} \]

      8. metadata-eval 73.2%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \frac{\frac{0.6666666666666666}{t} + \color{blue}{-0.8333333333333334}}{a} - b\right)\right)}} \]

   8. Simplified 73.2%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(a \cdot \left(b \cdot \frac{\frac{0.6666666666666666}{t} + -0.8333333333333334}{a} - b\right)\right)}}} \]

   9. Taylor expanded in t around 0 73.2%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \color{blue}{\frac{0.6666666666666666}{a \cdot t}} - b\right)\right)}} \]
   10. Step-by-step derivation

       1. *-commutative 73.2%

          \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \frac{0.6666666666666666}{\color{blue}{t \cdot a}} - b\right)\right)}} \]

   11. Simplified 73.2%

       \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \color{blue}{\frac{0.6666666666666666}{t \cdot a}} - b\right)\right)}} \]

   12. Taylor expanded in a around 0 68.0%

       \[\leadsto \frac{x}{x + y \cdot \color{blue}{e^{1.3333333333333333 \cdot \frac{b}{t}}}} \]

   if 1.3e12 < t

   1. Initial program 97.1%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 74.1%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 74.1%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 74.1%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 74.1%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 74.1%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]

   6. Taylor expanded in t around inf 74.1%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{e^{-2 \cdot \left(b \cdot \left(0.8333333333333334 + a\right)\right)}}} \]
3. Recombined 3 regimes into one program.

4. Final simplification 71.2%

   \[\leadsto \begin{array}{l} \mathbf{if}\;t \leq -2.4 \cdot 10^{-175}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{-2 \cdot \left(a \cdot b\right)}}\\ \mathbf{elif}\;t \leq 1300000000000:\\ \;\;\;\;\frac{x}{x + y \cdot e^{1.3333333333333333 \cdot \frac{b}{t}}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{-2 \cdot \left(\left(a + 0.8333333333333334\right) \cdot b\right)}}\\ \end{array} \]
5. Add Preprocessing

Alternative 10: 60.8% accurate, 1.9× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;t \leq -1.8 \cdot 10^{-176}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{-2 \cdot \left(a \cdot b\right)}}\\ \mathbf{elif}\;t \leq 5 \cdot 10^{-18}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{1.3333333333333333 \cdot \frac{b}{t}}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{b \cdot -1.6666666666666667}}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (<= t -1.8e-176)
   (/ x (+ x (* y (exp (* -2.0 (* a b))))))
   (if (<= t 5e-18)
     (/ x (+ x (* y (exp (* 1.3333333333333333 (/ b t))))))
     (/ x (+ x (* y (exp (* b -1.6666666666666667))))))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (t <= -1.8e-176) {
		tmp = x / (x + (y * exp((-2.0 * (a * b)))));
	} else if (t <= 5e-18) {
		tmp = x / (x + (y * exp((1.3333333333333333 * (b / t)))));
	} else {
		tmp = x / (x + (y * exp((b * -1.6666666666666667))));
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if (t <= (-1.8d-176)) then
        tmp = x / (x + (y * exp(((-2.0d0) * (a * b)))))
    else if (t <= 5d-18) then
        tmp = x / (x + (y * exp((1.3333333333333333d0 * (b / t)))))
    else
        tmp = x / (x + (y * exp((b * (-1.6666666666666667d0)))))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (t <= -1.8e-176) {
		tmp = x / (x + (y * Math.exp((-2.0 * (a * b)))));
	} else if (t <= 5e-18) {
		tmp = x / (x + (y * Math.exp((1.3333333333333333 * (b / t)))));
	} else {
		tmp = x / (x + (y * Math.exp((b * -1.6666666666666667))));
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if t <= -1.8e-176:
		tmp = x / (x + (y * math.exp((-2.0 * (a * b)))))
	elif t <= 5e-18:
		tmp = x / (x + (y * math.exp((1.3333333333333333 * (b / t)))))
	else:
		tmp = x / (x + (y * math.exp((b * -1.6666666666666667))))
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if (t <= -1.8e-176)
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(-2.0 * Float64(a * b))))));
	elseif (t <= 5e-18)
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(1.3333333333333333 * Float64(b / t))))));
	else
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(b * -1.6666666666666667)))));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if (t <= -1.8e-176)
		tmp = x / (x + (y * exp((-2.0 * (a * b)))));
	elseif (t <= 5e-18)
		tmp = x / (x + (y * exp((1.3333333333333333 * (b / t)))));
	else
		tmp = x / (x + (y * exp((b * -1.6666666666666667))));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[LessEqual[t, -1.8e-176], N[(x / N[(x + N[(y * N[Exp[N[(-2.0 * N[(a * b), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[t, 5e-18], N[(x / N[(x + N[(y * N[Exp[N[(1.3333333333333333 * N[(b / t), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x / N[(x + N[(y * N[Exp[N[(b * -1.6666666666666667), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]

Derivation

1. Split input into 3 regimes

2. if t < -1.8000000000000001e-176

   1. Initial program 100.0%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 70.2%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 70.2%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 70.2%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 70.2%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 70.2%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]

   6. Taylor expanded in t around inf 72.4%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{e^{-2 \cdot \left(b \cdot \left(0.8333333333333334 + a\right)\right)}}} \]

   7. Taylor expanded in a around inf 72.4%

      \[\leadsto \frac{x}{x + y \cdot e^{-2 \cdot \color{blue}{\left(a \cdot b\right)}}} \]
   8. Step-by-step derivation

      1. *-commutative 72.4%

         \[\leadsto \frac{x}{x + y \cdot e^{-2 \cdot \color{blue}{\left(b \cdot a\right)}}} \]

   9. Simplified 72.4%

      \[\leadsto \frac{x}{x + y \cdot e^{-2 \cdot \color{blue}{\left(b \cdot a\right)}}} \]

   if -1.8000000000000001e-176 < t < 5.00000000000000036e-18

   1. Initial program 97.0%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 76.1%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 76.1%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 76.1%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 76.1%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 76.1%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]

   6. Taylor expanded in a around inf 74.2%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(a \cdot \left(-1 \cdot b + \frac{b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - 0.8333333333333334\right)}{a}\right)\right)}}} \]
   7. Step-by-step derivation

      1. mul-1-neg 74.2%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(\color{blue}{\left(-b\right)} + \frac{b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - 0.8333333333333334\right)}{a}\right)\right)}} \]

      2. +-commutative 74.2%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \color{blue}{\left(\frac{b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - 0.8333333333333334\right)}{a} + \left(-b\right)\right)}\right)}} \]

      3. unsub-neg 74.2%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \color{blue}{\left(\frac{b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - 0.8333333333333334\right)}{a} - b\right)}\right)}} \]

      4. associate-/l* 76.1%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(\color{blue}{b \cdot \frac{0.6666666666666666 \cdot \frac{1}{t} - 0.8333333333333334}{a}} - b\right)\right)}} \]

      5. sub-neg 76.1%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \frac{\color{blue}{0.6666666666666666 \cdot \frac{1}{t} + \left(-0.8333333333333334\right)}}{a} - b\right)\right)}} \]

      6. associate-*r/ 76.1%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \frac{\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} + \left(-0.8333333333333334\right)}{a} - b\right)\right)}} \]

      7. metadata-eval 76.1%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \frac{\frac{\color{blue}{0.6666666666666666}}{t} + \left(-0.8333333333333334\right)}{a} - b\right)\right)}} \]

      8. metadata-eval 76.1%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \frac{\frac{0.6666666666666666}{t} + \color{blue}{-0.8333333333333334}}{a} - b\right)\right)}} \]

   8. Simplified 76.1%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(a \cdot \left(b \cdot \frac{\frac{0.6666666666666666}{t} + -0.8333333333333334}{a} - b\right)\right)}}} \]

   9. Taylor expanded in t around 0 76.1%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \color{blue}{\frac{0.6666666666666666}{a \cdot t}} - b\right)\right)}} \]
   10. Step-by-step derivation

       1. *-commutative 76.1%

          \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \frac{0.6666666666666666}{\color{blue}{t \cdot a}} - b\right)\right)}} \]

   11. Simplified 76.1%

       \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \color{blue}{\frac{0.6666666666666666}{t \cdot a}} - b\right)\right)}} \]

   12. Taylor expanded in a around 0 70.5%

       \[\leadsto \frac{x}{x + y \cdot \color{blue}{e^{1.3333333333333333 \cdot \frac{b}{t}}}} \]

   if 5.00000000000000036e-18 < t

   1. Initial program 97.3%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 71.3%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 71.3%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 71.3%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 71.3%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 71.3%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]

   6. Taylor expanded in t around inf 71.3%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{e^{-2 \cdot \left(b \cdot \left(0.8333333333333334 + a\right)\right)}}} \]

   7. Taylor expanded in a around 0 67.9%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{e^{-1.6666666666666667 \cdot b}}} \]
3. Recombined 3 regimes into one program.

4. Final simplification 69.8%

   \[\leadsto \begin{array}{l} \mathbf{if}\;t \leq -1.8 \cdot 10^{-176}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{-2 \cdot \left(a \cdot b\right)}}\\ \mathbf{elif}\;t \leq 5 \cdot 10^{-18}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{1.3333333333333333 \cdot \frac{b}{t}}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{b \cdot -1.6666666666666667}}\\ \end{array} \]
5. Add Preprocessing

Alternative 11: 57.1% accurate, 1.9× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;t \leq -8.5 \cdot 10^{-144}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{-2 \cdot \left(a \cdot b\right)}}\\ \mathbf{elif}\;t \leq 92000000000000:\\ \;\;\;\;1\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{b \cdot -1.6666666666666667}}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (<= t -8.5e-144)
   (/ x (+ x (* y (exp (* -2.0 (* a b))))))
   (if (<= t 92000000000000.0)
     1.0
     (/ x (+ x (* y (exp (* b -1.6666666666666667))))))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (t <= -8.5e-144) {
		tmp = x / (x + (y * exp((-2.0 * (a * b)))));
	} else if (t <= 92000000000000.0) {
		tmp = 1.0;
	} else {
		tmp = x / (x + (y * exp((b * -1.6666666666666667))));
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if (t <= (-8.5d-144)) then
        tmp = x / (x + (y * exp(((-2.0d0) * (a * b)))))
    else if (t <= 92000000000000.0d0) then
        tmp = 1.0d0
    else
        tmp = x / (x + (y * exp((b * (-1.6666666666666667d0)))))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (t <= -8.5e-144) {
		tmp = x / (x + (y * Math.exp((-2.0 * (a * b)))));
	} else if (t <= 92000000000000.0) {
		tmp = 1.0;
	} else {
		tmp = x / (x + (y * Math.exp((b * -1.6666666666666667))));
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if t <= -8.5e-144:
		tmp = x / (x + (y * math.exp((-2.0 * (a * b)))))
	elif t <= 92000000000000.0:
		tmp = 1.0
	else:
		tmp = x / (x + (y * math.exp((b * -1.6666666666666667))))
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if (t <= -8.5e-144)
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(-2.0 * Float64(a * b))))));
	elseif (t <= 92000000000000.0)
		tmp = 1.0;
	else
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(b * -1.6666666666666667)))));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if (t <= -8.5e-144)
		tmp = x / (x + (y * exp((-2.0 * (a * b)))));
	elseif (t <= 92000000000000.0)
		tmp = 1.0;
	else
		tmp = x / (x + (y * exp((b * -1.6666666666666667))));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[LessEqual[t, -8.5e-144], N[(x / N[(x + N[(y * N[Exp[N[(-2.0 * N[(a * b), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[t, 92000000000000.0], 1.0, N[(x / N[(x + N[(y * N[Exp[N[(b * -1.6666666666666667), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]

Derivation

1. Split input into 3 regimes

2. if t < -8.49999999999999958e-144

   1. Initial program 100.0%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 71.7%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 71.7%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 71.7%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 71.7%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 71.7%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]

   6. Taylor expanded in t around inf 71.7%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{e^{-2 \cdot \left(b \cdot \left(0.8333333333333334 + a\right)\right)}}} \]

   7. Taylor expanded in a around inf 71.7%

      \[\leadsto \frac{x}{x + y \cdot e^{-2 \cdot \color{blue}{\left(a \cdot b\right)}}} \]
   8. Step-by-step derivation

      1. *-commutative 71.7%

         \[\leadsto \frac{x}{x + y \cdot e^{-2 \cdot \color{blue}{\left(b \cdot a\right)}}} \]

   9. Simplified 71.7%

      \[\leadsto \frac{x}{x + y \cdot e^{-2 \cdot \color{blue}{\left(b \cdot a\right)}}} \]

   if -8.49999999999999958e-144 < t < 9.2e13

   1. Initial program 97.4%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 72.6%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 72.6%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 72.6%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 72.6%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 72.6%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]

   6. Taylor expanded in b around 0 36.6%

      \[\leadsto \color{blue}{\frac{x}{x + y}} \]

   7. Taylor expanded in x around inf 58.9%

      \[\leadsto \color{blue}{1} \]

   if 9.2e13 < t

   1. Initial program 97.1%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 74.1%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 74.1%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 74.1%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 74.1%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 74.1%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]

   6. Taylor expanded in t around inf 74.1%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{e^{-2 \cdot \left(b \cdot \left(0.8333333333333334 + a\right)\right)}}} \]

   7. Taylor expanded in a around 0 70.5%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{e^{-1.6666666666666667 \cdot b}}} \]
3. Recombined 3 regimes into one program.

4. Final simplification 65.2%

   \[\leadsto \begin{array}{l} \mathbf{if}\;t \leq -8.5 \cdot 10^{-144}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{-2 \cdot \left(a \cdot b\right)}}\\ \mathbf{elif}\;t \leq 92000000000000:\\ \;\;\;\;1\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{b \cdot -1.6666666666666667}}\\ \end{array} \]
5. Add Preprocessing

Alternative 12: 53.9% accurate, 1.9× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;t \leq -7.2 \cdot 10^{+24}:\\ \;\;\;\;\frac{x}{y \cdot e^{-2 \cdot \left(a \cdot b\right)}}\\ \mathbf{elif}\;t \leq 1400000000000:\\ \;\;\;\;1\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{b \cdot -1.6666666666666667}}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (<= t -7.2e+24)
   (/ x (* y (exp (* -2.0 (* a b)))))
   (if (<= t 1400000000000.0)
     1.0
     (/ x (+ x (* y (exp (* b -1.6666666666666667))))))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (t <= -7.2e+24) {
		tmp = x / (y * exp((-2.0 * (a * b))));
	} else if (t <= 1400000000000.0) {
		tmp = 1.0;
	} else {
		tmp = x / (x + (y * exp((b * -1.6666666666666667))));
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if (t <= (-7.2d+24)) then
        tmp = x / (y * exp(((-2.0d0) * (a * b))))
    else if (t <= 1400000000000.0d0) then
        tmp = 1.0d0
    else
        tmp = x / (x + (y * exp((b * (-1.6666666666666667d0)))))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (t <= -7.2e+24) {
		tmp = x / (y * Math.exp((-2.0 * (a * b))));
	} else if (t <= 1400000000000.0) {
		tmp = 1.0;
	} else {
		tmp = x / (x + (y * Math.exp((b * -1.6666666666666667))));
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if t <= -7.2e+24:
		tmp = x / (y * math.exp((-2.0 * (a * b))))
	elif t <= 1400000000000.0:
		tmp = 1.0
	else:
		tmp = x / (x + (y * math.exp((b * -1.6666666666666667))))
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if (t <= -7.2e+24)
		tmp = Float64(x / Float64(y * exp(Float64(-2.0 * Float64(a * b)))));
	elseif (t <= 1400000000000.0)
		tmp = 1.0;
	else
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(b * -1.6666666666666667)))));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if (t <= -7.2e+24)
		tmp = x / (y * exp((-2.0 * (a * b))));
	elseif (t <= 1400000000000.0)
		tmp = 1.0;
	else
		tmp = x / (x + (y * exp((b * -1.6666666666666667))));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[LessEqual[t, -7.2e+24], N[(x / N[(y * N[Exp[N[(-2.0 * N[(a * b), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[t, 1400000000000.0], 1.0, N[(x / N[(x + N[(y * N[Exp[N[(b * -1.6666666666666667), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]

Derivation

1. Split input into 3 regimes

2. if t < -7.19999999999999966e24

   1. Initial program 100.0%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 56.1%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 56.1%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 56.1%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 56.1%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 56.1%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]

   6. Taylor expanded in t around inf 56.1%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{e^{-2 \cdot \left(b \cdot \left(0.8333333333333334 + a\right)\right)}}} \]

   7. Taylor expanded in a around inf 56.1%

      \[\leadsto \frac{x}{x + y \cdot e^{-2 \cdot \color{blue}{\left(a \cdot b\right)}}} \]
   8. Step-by-step derivation

      1. *-commutative 56.1%

         \[\leadsto \frac{x}{x + y \cdot e^{-2 \cdot \color{blue}{\left(b \cdot a\right)}}} \]

   9. Simplified 56.1%

      \[\leadsto \frac{x}{x + y \cdot e^{-2 \cdot \color{blue}{\left(b \cdot a\right)}}} \]

   10. Taylor expanded in x around 0 55.7%

       \[\leadsto \color{blue}{\frac{x}{y \cdot e^{-2 \cdot \left(a \cdot b\right)}}} \]

   if -7.19999999999999966e24 < t < 1.4e12

   1. Initial program 97.8%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 73.6%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 73.6%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 73.6%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 73.6%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 73.6%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]

   6. Taylor expanded in b around 0 35.6%

      \[\leadsto \color{blue}{\frac{x}{x + y}} \]

   7. Taylor expanded in x around inf 58.3%

      \[\leadsto \color{blue}{1} \]

   if 1.4e12 < t

   1. Initial program 97.1%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 74.1%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 74.1%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 74.1%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 74.1%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 74.1%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]

   6. Taylor expanded in t around inf 74.1%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{e^{-2 \cdot \left(b \cdot \left(0.8333333333333334 + a\right)\right)}}} \]

   7. Taylor expanded in a around 0 70.5%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{e^{-1.6666666666666667 \cdot b}}} \]
3. Recombined 3 regimes into one program.

4. Final simplification 63.0%

   \[\leadsto \begin{array}{l} \mathbf{if}\;t \leq -7.2 \cdot 10^{+24}:\\ \;\;\;\;\frac{x}{y \cdot e^{-2 \cdot \left(a \cdot b\right)}}\\ \mathbf{elif}\;t \leq 1400000000000:\\ \;\;\;\;1\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{b \cdot -1.6666666666666667}}\\ \end{array} \]
5. Add Preprocessing

Alternative 13: 72.3% accurate, 2.0× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;t \leq 8 \cdot 10^{-13}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{1.3333333333333333 \cdot \frac{b - c}{t}}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{-2 \cdot \left(\left(a + 0.8333333333333334\right) \cdot b\right)}}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (<= t 8e-13)
   (/ x (+ x (* y (exp (* 1.3333333333333333 (/ (- b c) t))))))
   (/ x (+ x (* y (exp (* -2.0 (* (+ a 0.8333333333333334) b))))))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (t <= 8e-13) {
		tmp = x / (x + (y * exp((1.3333333333333333 * ((b - c) / t)))));
	} else {
		tmp = x / (x + (y * exp((-2.0 * ((a + 0.8333333333333334) * b)))));
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if (t <= 8d-13) then
        tmp = x / (x + (y * exp((1.3333333333333333d0 * ((b - c) / t)))))
    else
        tmp = x / (x + (y * exp(((-2.0d0) * ((a + 0.8333333333333334d0) * b)))))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (t <= 8e-13) {
		tmp = x / (x + (y * Math.exp((1.3333333333333333 * ((b - c) / t)))));
	} else {
		tmp = x / (x + (y * Math.exp((-2.0 * ((a + 0.8333333333333334) * b)))));
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if t <= 8e-13:
		tmp = x / (x + (y * math.exp((1.3333333333333333 * ((b - c) / t)))))
	else:
		tmp = x / (x + (y * math.exp((-2.0 * ((a + 0.8333333333333334) * b)))))
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if (t <= 8e-13)
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(1.3333333333333333 * Float64(Float64(b - c) / t))))));
	else
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(-2.0 * Float64(Float64(a + 0.8333333333333334) * b))))));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if (t <= 8e-13)
		tmp = x / (x + (y * exp((1.3333333333333333 * ((b - c) / t)))));
	else
		tmp = x / (x + (y * exp((-2.0 * ((a + 0.8333333333333334) * b)))));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[LessEqual[t, 8e-13], N[(x / N[(x + N[(y * N[Exp[N[(1.3333333333333333 * N[(N[(b - c), $MachinePrecision] / t), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x / N[(x + N[(y * N[Exp[N[(-2.0 * N[(N[(a + 0.8333333333333334), $MachinePrecision] * b), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if t < 8.0000000000000002e-13

   1. Initial program 97.9%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in t around 0 75.7%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\frac{\sqrt{a} \cdot z - -0.6666666666666666 \cdot \left(b - c\right)}{t}}}} \]

   4. Taylor expanded in z around 0 78.6%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{e^{1.3333333333333333 \cdot \frac{b - c}{t}}}} \]

   if 8.0000000000000002e-13 < t

   1. Initial program 97.2%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 72.6%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 72.6%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 72.6%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 72.6%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 72.6%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]

   6. Taylor expanded in t around inf 72.6%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{e^{-2 \cdot \left(b \cdot \left(0.8333333333333334 + a\right)\right)}}} \]
3. Recombined 2 regimes into one program.

4. Final simplification 76.1%

   \[\leadsto \begin{array}{l} \mathbf{if}\;t \leq 8 \cdot 10^{-13}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{1.3333333333333333 \cdot \frac{b - c}{t}}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{-2 \cdot \left(\left(a + 0.8333333333333334\right) \cdot b\right)}}\\ \end{array} \]
5. Add Preprocessing

Alternative 14: 50.6% accurate, 7.0× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;z \leq -2.5 \cdot 10^{-305} \lor \neg \left(z \leq 4.4 \cdot 10^{-149}\right):\\ \;\;\;\;1\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot \left(1 + 2 \cdot \left(a \cdot \left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t \cdot a} + -1\right)\right)\right)\right)}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (or (<= z -2.5e-305) (not (<= z 4.4e-149)))
   1.0
   (/
    x
    (+
     x
     (*
      y
      (+
       1.0
       (*
        2.0
        (* a (* b (+ (* 0.6666666666666666 (/ 1.0 (* t a))) -1.0))))))))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if ((z <= -2.5e-305) || !(z <= 4.4e-149)) {
		tmp = 1.0;
	} else {
		tmp = x / (x + (y * (1.0 + (2.0 * (a * (b * ((0.6666666666666666 * (1.0 / (t * a))) + -1.0)))))));
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if ((z <= (-2.5d-305)) .or. (.not. (z <= 4.4d-149))) then
        tmp = 1.0d0
    else
        tmp = x / (x + (y * (1.0d0 + (2.0d0 * (a * (b * ((0.6666666666666666d0 * (1.0d0 / (t * a))) + (-1.0d0))))))))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if ((z <= -2.5e-305) || !(z <= 4.4e-149)) {
		tmp = 1.0;
	} else {
		tmp = x / (x + (y * (1.0 + (2.0 * (a * (b * ((0.6666666666666666 * (1.0 / (t * a))) + -1.0)))))));
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if (z <= -2.5e-305) or not (z <= 4.4e-149):
		tmp = 1.0
	else:
		tmp = x / (x + (y * (1.0 + (2.0 * (a * (b * ((0.6666666666666666 * (1.0 / (t * a))) + -1.0)))))))
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if ((z <= -2.5e-305) || !(z <= 4.4e-149))
		tmp = 1.0;
	else
		tmp = Float64(x / Float64(x + Float64(y * Float64(1.0 + Float64(2.0 * Float64(a * Float64(b * Float64(Float64(0.6666666666666666 * Float64(1.0 / Float64(t * a))) + -1.0))))))));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if ((z <= -2.5e-305) || ~((z <= 4.4e-149)))
		tmp = 1.0;
	else
		tmp = x / (x + (y * (1.0 + (2.0 * (a * (b * ((0.6666666666666666 * (1.0 / (t * a))) + -1.0)))))));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[Or[LessEqual[z, -2.5e-305], N[Not[LessEqual[z, 4.4e-149]], $MachinePrecision]], 1.0, N[(x / N[(x + N[(y * N[(1.0 + N[(2.0 * N[(a * N[(b * N[(N[(0.6666666666666666 * N[(1.0 / N[(t * a), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] + -1.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if z < -2.49999999999999993e-305 or 4.3999999999999996e-149 < z

   1. Initial program 97.2%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 72.3%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 72.3%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 72.3%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 72.3%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 72.3%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]

   6. Taylor expanded in b around 0 35.3%

      \[\leadsto \color{blue}{\frac{x}{x + y}} \]

   7. Taylor expanded in x around inf 56.2%

      \[\leadsto \color{blue}{1} \]

   if -2.49999999999999993e-305 < z < 4.3999999999999996e-149

   1. Initial program 99.9%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 77.5%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 77.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 77.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 77.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 77.5%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]

   6. Taylor expanded in a around inf 77.5%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(a \cdot \left(-1 \cdot b + \frac{b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - 0.8333333333333334\right)}{a}\right)\right)}}} \]
   7. Step-by-step derivation

      1. mul-1-neg 77.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(\color{blue}{\left(-b\right)} + \frac{b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - 0.8333333333333334\right)}{a}\right)\right)}} \]

      2. +-commutative 77.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \color{blue}{\left(\frac{b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - 0.8333333333333334\right)}{a} + \left(-b\right)\right)}\right)}} \]

      3. unsub-neg 77.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \color{blue}{\left(\frac{b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - 0.8333333333333334\right)}{a} - b\right)}\right)}} \]

      4. associate-/l* 77.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(\color{blue}{b \cdot \frac{0.6666666666666666 \cdot \frac{1}{t} - 0.8333333333333334}{a}} - b\right)\right)}} \]

      5. sub-neg 77.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \frac{\color{blue}{0.6666666666666666 \cdot \frac{1}{t} + \left(-0.8333333333333334\right)}}{a} - b\right)\right)}} \]

      6. associate-*r/ 77.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \frac{\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} + \left(-0.8333333333333334\right)}{a} - b\right)\right)}} \]

      7. metadata-eval 77.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \frac{\frac{\color{blue}{0.6666666666666666}}{t} + \left(-0.8333333333333334\right)}{a} - b\right)\right)}} \]

      8. metadata-eval 77.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \frac{\frac{0.6666666666666666}{t} + \color{blue}{-0.8333333333333334}}{a} - b\right)\right)}} \]

   8. Simplified 77.5%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(a \cdot \left(b \cdot \frac{\frac{0.6666666666666666}{t} + -0.8333333333333334}{a} - b\right)\right)}}} \]

   9. Taylor expanded in t around 0 74.9%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \color{blue}{\frac{0.6666666666666666}{a \cdot t}} - b\right)\right)}} \]
   10. Step-by-step derivation

       1. *-commutative 74.9%

          \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \frac{0.6666666666666666}{\color{blue}{t \cdot a}} - b\right)\right)}} \]

   11. Simplified 74.9%

       \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(a \cdot \left(b \cdot \color{blue}{\frac{0.6666666666666666}{t \cdot a}} - b\right)\right)}} \]

   12. Taylor expanded in b around 0 54.9%

       \[\leadsto \frac{x}{x + y \cdot \color{blue}{\left(1 + 2 \cdot \left(a \cdot \left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{a \cdot t} - 1\right)\right)\right)\right)}} \]
3. Recombined 2 regimes into one program.

4. Final simplification 56.0%

   \[\leadsto \begin{array}{l} \mathbf{if}\;z \leq -2.5 \cdot 10^{-305} \lor \neg \left(z \leq 4.4 \cdot 10^{-149}\right):\\ \;\;\;\;1\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot \left(1 + 2 \cdot \left(a \cdot \left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t \cdot a} + -1\right)\right)\right)\right)}\\ \end{array} \]
5. Add Preprocessing

Alternative 15: 53.2% accurate, 7.7× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;b \leq -1.08 \cdot 10^{+198}:\\ \;\;\;\;\frac{x}{x + y \cdot \left(1 + \left(2 \cdot b\right) \cdot \left(\frac{0.6666666666666666}{t} + \left(-0.8333333333333334 - a\right)\right)\right)}\\ \mathbf{elif}\;b \leq -2.25 \cdot 10^{+163}:\\ \;\;\;\;1\\ \mathbf{elif}\;b \leq -2.4 \cdot 10^{+61}:\\ \;\;\;\;\frac{x}{x + y \cdot \left(1 + -2 \cdot \left(\left(a + 0.8333333333333334\right) \cdot b\right)\right)}\\ \mathbf{else}:\\ \;\;\;\;1\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (<= b -1.08e+198)
   (/
    x
    (+
     x
     (*
      y
      (+
       1.0
       (* (* 2.0 b) (+ (/ 0.6666666666666666 t) (- -0.8333333333333334 a)))))))
   (if (<= b -2.25e+163)
     1.0
     (if (<= b -2.4e+61)
       (/ x (+ x (* y (+ 1.0 (* -2.0 (* (+ a 0.8333333333333334) b))))))
       1.0))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (b <= -1.08e+198) {
		tmp = x / (x + (y * (1.0 + ((2.0 * b) * ((0.6666666666666666 / t) + (-0.8333333333333334 - a))))));
	} else if (b <= -2.25e+163) {
		tmp = 1.0;
	} else if (b <= -2.4e+61) {
		tmp = x / (x + (y * (1.0 + (-2.0 * ((a + 0.8333333333333334) * b)))));
	} else {
		tmp = 1.0;
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if (b <= (-1.08d+198)) then
        tmp = x / (x + (y * (1.0d0 + ((2.0d0 * b) * ((0.6666666666666666d0 / t) + ((-0.8333333333333334d0) - a))))))
    else if (b <= (-2.25d+163)) then
        tmp = 1.0d0
    else if (b <= (-2.4d+61)) then
        tmp = x / (x + (y * (1.0d0 + ((-2.0d0) * ((a + 0.8333333333333334d0) * b)))))
    else
        tmp = 1.0d0
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (b <= -1.08e+198) {
		tmp = x / (x + (y * (1.0 + ((2.0 * b) * ((0.6666666666666666 / t) + (-0.8333333333333334 - a))))));
	} else if (b <= -2.25e+163) {
		tmp = 1.0;
	} else if (b <= -2.4e+61) {
		tmp = x / (x + (y * (1.0 + (-2.0 * ((a + 0.8333333333333334) * b)))));
	} else {
		tmp = 1.0;
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if b <= -1.08e+198:
		tmp = x / (x + (y * (1.0 + ((2.0 * b) * ((0.6666666666666666 / t) + (-0.8333333333333334 - a))))))
	elif b <= -2.25e+163:
		tmp = 1.0
	elif b <= -2.4e+61:
		tmp = x / (x + (y * (1.0 + (-2.0 * ((a + 0.8333333333333334) * b)))))
	else:
		tmp = 1.0
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if (b <= -1.08e+198)
		tmp = Float64(x / Float64(x + Float64(y * Float64(1.0 + Float64(Float64(2.0 * b) * Float64(Float64(0.6666666666666666 / t) + Float64(-0.8333333333333334 - a)))))));
	elseif (b <= -2.25e+163)
		tmp = 1.0;
	elseif (b <= -2.4e+61)
		tmp = Float64(x / Float64(x + Float64(y * Float64(1.0 + Float64(-2.0 * Float64(Float64(a + 0.8333333333333334) * b))))));
	else
		tmp = 1.0;
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if (b <= -1.08e+198)
		tmp = x / (x + (y * (1.0 + ((2.0 * b) * ((0.6666666666666666 / t) + (-0.8333333333333334 - a))))));
	elseif (b <= -2.25e+163)
		tmp = 1.0;
	elseif (b <= -2.4e+61)
		tmp = x / (x + (y * (1.0 + (-2.0 * ((a + 0.8333333333333334) * b)))));
	else
		tmp = 1.0;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[LessEqual[b, -1.08e+198], N[(x / N[(x + N[(y * N[(1.0 + N[(N[(2.0 * b), $MachinePrecision] * N[(N[(0.6666666666666666 / t), $MachinePrecision] + N[(-0.8333333333333334 - a), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[b, -2.25e+163], 1.0, If[LessEqual[b, -2.4e+61], N[(x / N[(x + N[(y * N[(1.0 + N[(-2.0 * N[(N[(a + 0.8333333333333334), $MachinePrecision] * b), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], 1.0]]]

Derivation

1. Split input into 3 regimes

2. if b < -1.08e198

   1. Initial program 96.2%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 92.5%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 92.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 92.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 92.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 92.5%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]

   6. Taylor expanded in b around 0 66.7%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{\left(1 + 2 \cdot \left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)\right)}} \]
   7. Step-by-step derivation

      1. associate-*r* 66.7%

         \[\leadsto \frac{x}{x + y \cdot \left(1 + \color{blue}{\left(2 \cdot b\right) \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)}\right)} \]

      2. *-commutative 66.7%

         \[\leadsto \frac{x}{x + y \cdot \left(1 + \color{blue}{\left(b \cdot 2\right)} \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)} \]

      3. sub-neg 66.7%

         \[\leadsto \frac{x}{x + y \cdot \left(1 + \left(b \cdot 2\right) \cdot \color{blue}{\left(0.6666666666666666 \cdot \frac{1}{t} + \left(-\left(0.8333333333333334 + a\right)\right)\right)}\right)} \]

      4. associate-*r/ 66.7%

         \[\leadsto \frac{x}{x + y \cdot \left(1 + \left(b \cdot 2\right) \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} + \left(-\left(0.8333333333333334 + a\right)\right)\right)\right)} \]

      5. metadata-eval 66.7%

         \[\leadsto \frac{x}{x + y \cdot \left(1 + \left(b \cdot 2\right) \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} + \left(-\left(0.8333333333333334 + a\right)\right)\right)\right)} \]

      6. mul-1-neg 66.7%

         \[\leadsto \frac{x}{x + y \cdot \left(1 + \left(b \cdot 2\right) \cdot \left(\frac{0.6666666666666666}{t} + \color{blue}{-1 \cdot \left(0.8333333333333334 + a\right)}\right)\right)} \]

      7. distribute-lft-in 66.7%

         \[\leadsto \frac{x}{x + y \cdot \left(1 + \left(b \cdot 2\right) \cdot \left(\frac{0.6666666666666666}{t} + \color{blue}{\left(-1 \cdot 0.8333333333333334 + -1 \cdot a\right)}\right)\right)} \]

      8. metadata-eval 66.7%

         \[\leadsto \frac{x}{x + y \cdot \left(1 + \left(b \cdot 2\right) \cdot \left(\frac{0.6666666666666666}{t} + \left(\color{blue}{-0.8333333333333334} + -1 \cdot a\right)\right)\right)} \]

      9. mul-1-neg 66.7%

         \[\leadsto \frac{x}{x + y \cdot \left(1 + \left(b \cdot 2\right) \cdot \left(\frac{0.6666666666666666}{t} + \left(-0.8333333333333334 + \color{blue}{\left(-a\right)}\right)\right)\right)} \]

      10. unsub-neg 66.7%

          \[\leadsto \frac{x}{x + y \cdot \left(1 + \left(b \cdot 2\right) \cdot \left(\frac{0.6666666666666666}{t} + \color{blue}{\left(-0.8333333333333334 - a\right)}\right)\right)} \]

   8. Simplified 66.7%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{\left(1 + \left(b \cdot 2\right) \cdot \left(\frac{0.6666666666666666}{t} + \left(-0.8333333333333334 - a\right)\right)\right)}} \]

   if -1.08e198 < b < -2.24999999999999994e163 or -2.3999999999999999e61 < b

   1. Initial program 97.7%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 69.5%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 69.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 69.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 69.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 69.5%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]

   6. Taylor expanded in b around 0 38.5%

      \[\leadsto \color{blue}{\frac{x}{x + y}} \]

   7. Taylor expanded in x around inf 57.4%

      \[\leadsto \color{blue}{1} \]

   if -2.24999999999999994e163 < b < -2.3999999999999999e61

   1. Initial program 100.0%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 92.5%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 92.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 92.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 92.5%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 92.5%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]

   6. Taylor expanded in t around inf 85.1%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{e^{-2 \cdot \left(b \cdot \left(0.8333333333333334 + a\right)\right)}}} \]

   7. Taylor expanded in b around 0 63.1%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{\left(1 + -2 \cdot \left(b \cdot \left(0.8333333333333334 + a\right)\right)\right)}} \]
3. Recombined 3 regimes into one program.

4. Final simplification 58.6%

   \[\leadsto \begin{array}{l} \mathbf{if}\;b \leq -1.08 \cdot 10^{+198}:\\ \;\;\;\;\frac{x}{x + y \cdot \left(1 + \left(2 \cdot b\right) \cdot \left(\frac{0.6666666666666666}{t} + \left(-0.8333333333333334 - a\right)\right)\right)}\\ \mathbf{elif}\;b \leq -2.25 \cdot 10^{+163}:\\ \;\;\;\;1\\ \mathbf{elif}\;b \leq -2.4 \cdot 10^{+61}:\\ \;\;\;\;\frac{x}{x + y \cdot \left(1 + -2 \cdot \left(\left(a + 0.8333333333333334\right) \cdot b\right)\right)}\\ \mathbf{else}:\\ \;\;\;\;1\\ \end{array} \]
5. Add Preprocessing

Alternative 16: 53.4% accurate, 11.5× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;b \leq -4 \cdot 10^{+66}:\\ \;\;\;\;\frac{x}{x + y \cdot \left(1 + -2 \cdot \left(\left(a + 0.8333333333333334\right) \cdot b\right)\right)}\\ \mathbf{else}:\\ \;\;\;\;1\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (<= b -4e+66)
   (/ x (+ x (* y (+ 1.0 (* -2.0 (* (+ a 0.8333333333333334) b))))))
   1.0))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (b <= -4e+66) {
		tmp = x / (x + (y * (1.0 + (-2.0 * ((a + 0.8333333333333334) * b)))));
	} else {
		tmp = 1.0;
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if (b <= (-4d+66)) then
        tmp = x / (x + (y * (1.0d0 + ((-2.0d0) * ((a + 0.8333333333333334d0) * b)))))
    else
        tmp = 1.0d0
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (b <= -4e+66) {
		tmp = x / (x + (y * (1.0 + (-2.0 * ((a + 0.8333333333333334) * b)))));
	} else {
		tmp = 1.0;
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if b <= -4e+66:
		tmp = x / (x + (y * (1.0 + (-2.0 * ((a + 0.8333333333333334) * b)))))
	else:
		tmp = 1.0
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if (b <= -4e+66)
		tmp = Float64(x / Float64(x + Float64(y * Float64(1.0 + Float64(-2.0 * Float64(Float64(a + 0.8333333333333334) * b))))));
	else
		tmp = 1.0;
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if (b <= -4e+66)
		tmp = x / (x + (y * (1.0 + (-2.0 * ((a + 0.8333333333333334) * b)))));
	else
		tmp = 1.0;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[LessEqual[b, -4e+66], N[(x / N[(x + N[(y * N[(1.0 + N[(-2.0 * N[(N[(a + 0.8333333333333334), $MachinePrecision] * b), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], 1.0]

Derivation

1. Split input into 2 regimes

2. if b < -3.99999999999999978e66

   1. Initial program 98.1%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 89.0%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 89.0%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 89.0%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 89.0%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 89.0%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]

   6. Taylor expanded in t around inf 63.4%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{e^{-2 \cdot \left(b \cdot \left(0.8333333333333334 + a\right)\right)}}} \]

   7. Taylor expanded in b around 0 56.6%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{\left(1 + -2 \cdot \left(b \cdot \left(0.8333333333333334 + a\right)\right)\right)}} \]

   if -3.99999999999999978e66 < b

   1. Initial program 97.5%

      \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
   2. Add Preprocessing

   3. Taylor expanded in b around inf 68.9%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
   4. Step-by-step derivation

      1. associate-*r/ 68.9%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      2. metadata-eval 68.9%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

      3. +-commutative 68.9%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

   5. Simplified 68.9%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]

   6. Taylor expanded in b around 0 38.1%

      \[\leadsto \color{blue}{\frac{x}{x + y}} \]

   7. Taylor expanded in x around inf 56.8%

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

4. Final simplification 56.8%

   \[\leadsto \begin{array}{l} \mathbf{if}\;b \leq -4 \cdot 10^{+66}:\\ \;\;\;\;\frac{x}{x + y \cdot \left(1 + -2 \cdot \left(\left(a + 0.8333333333333334\right) \cdot b\right)\right)}\\ \mathbf{else}:\\ \;\;\;\;1\\ \end{array} \]
5. Add Preprocessing

Alternative 17: 50.7% accurate, 231.0× speedup

Math

\[\begin{array}{l} \\ 1 \end{array} \]

FPCore

(FPCore (x y z t a b c) :precision binary64 1.0)

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	return 1.0;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    code = 1.0d0
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	return 1.0;
}

Python

def code(x, y, z, t, a, b, c):
	return 1.0

Julia

function code(x, y, z, t, a, b, c)
	return 1.0
end

MATLAB

function tmp = code(x, y, z, t, a, b, c)
	tmp = 1.0;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := 1.0

Derivation

1. Initial program 97.6%

   \[\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}} \]
2. Add Preprocessing

3. Taylor expanded in b around inf 73.0%

   \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(0.6666666666666666 \cdot \frac{1}{t} - \left(0.8333333333333334 + a\right)\right)\right)}}} \]
4. Step-by-step derivation

   1. associate-*r/ 73.0%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\color{blue}{\frac{0.6666666666666666 \cdot 1}{t}} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

   2. metadata-eval 73.0%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{\color{blue}{0.6666666666666666}}{t} - \left(0.8333333333333334 + a\right)\right)\right)}} \]

   3. +-commutative 73.0%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \color{blue}{\left(a + 0.8333333333333334\right)}\right)\right)}} \]

5. Simplified 73.0%

   \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \color{blue}{\left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}} \]

6. Taylor expanded in b around 0 35.9%

   \[\leadsto \color{blue}{\frac{x}{x + y}} \]

7. Taylor expanded in x around inf 52.9%

   \[\leadsto \color{blue}{1} \]
8. Add Preprocessing

Developer target: 95.8% accurate, 0.9× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_1 := z \cdot \sqrt{t + a}\\ t_2 := a - \frac{5}{6}\\ \mathbf{if}\;t < -2.118326644891581 \cdot 10^{-50}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(\left(a \cdot c + 0.8333333333333334 \cdot c\right) - a \cdot b\right)}}\\ \mathbf{elif}\;t < 5.196588770651547 \cdot 10^{-123}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \frac{t\_1 \cdot \left(\left(3 \cdot t\right) \cdot t\_2\right) - \left(\left(\frac{5}{6} + a\right) \cdot \left(3 \cdot t\right) - 2\right) \cdot \left(t\_2 \cdot \left(\left(b - c\right) \cdot t\right)\right)}{\left(\left(t \cdot t\right) \cdot 3\right) \cdot t\_2}}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{t\_1}{t} - \left(b - c\right) \cdot \left(\left(a + \frac{5}{6}\right) - \frac{2}{t \cdot 3}\right)\right)}}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (let* ((t_1 (* z (sqrt (+ t a)))) (t_2 (- a (/ 5.0 6.0))))
   (if (< t -2.118326644891581e-50)
     (/
      x
      (+
       x
       (* y (exp (* 2.0 (- (+ (* a c) (* 0.8333333333333334 c)) (* a b)))))))
     (if (< t 5.196588770651547e-123)
       (/
        x
        (+
         x
         (*
          y
          (exp
           (*
            2.0
            (/
             (-
              (* t_1 (* (* 3.0 t) t_2))
              (*
               (- (* (+ (/ 5.0 6.0) a) (* 3.0 t)) 2.0)
               (* t_2 (* (- b c) t))))
             (* (* (* t t) 3.0) t_2)))))))
       (/
        x
        (+
         x
         (*
          y
          (exp
           (*
            2.0
            (-
             (/ t_1 t)
             (* (- b c) (- (+ a (/ 5.0 6.0)) (/ 2.0 (* t 3.0))))))))))))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double t_1 = z * sqrt((t + a));
	double t_2 = a - (5.0 / 6.0);
	double tmp;
	if (t < -2.118326644891581e-50) {
		tmp = x / (x + (y * exp((2.0 * (((a * c) + (0.8333333333333334 * c)) - (a * b))))));
	} else if (t < 5.196588770651547e-123) {
		tmp = x / (x + (y * exp((2.0 * (((t_1 * ((3.0 * t) * t_2)) - (((((5.0 / 6.0) + a) * (3.0 * t)) - 2.0) * (t_2 * ((b - c) * t)))) / (((t * t) * 3.0) * t_2))))));
	} else {
		tmp = x / (x + (y * exp((2.0 * ((t_1 / t) - ((b - c) * ((a + (5.0 / 6.0)) - (2.0 / (t * 3.0)))))))));
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: t_1
    real(8) :: t_2
    real(8) :: tmp
    t_1 = z * sqrt((t + a))
    t_2 = a - (5.0d0 / 6.0d0)
    if (t < (-2.118326644891581d-50)) then
        tmp = x / (x + (y * exp((2.0d0 * (((a * c) + (0.8333333333333334d0 * c)) - (a * b))))))
    else if (t < 5.196588770651547d-123) then
        tmp = x / (x + (y * exp((2.0d0 * (((t_1 * ((3.0d0 * t) * t_2)) - (((((5.0d0 / 6.0d0) + a) * (3.0d0 * t)) - 2.0d0) * (t_2 * ((b - c) * t)))) / (((t * t) * 3.0d0) * t_2))))))
    else
        tmp = x / (x + (y * exp((2.0d0 * ((t_1 / t) - ((b - c) * ((a + (5.0d0 / 6.0d0)) - (2.0d0 / (t * 3.0d0)))))))))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double t_1 = z * Math.sqrt((t + a));
	double t_2 = a - (5.0 / 6.0);
	double tmp;
	if (t < -2.118326644891581e-50) {
		tmp = x / (x + (y * Math.exp((2.0 * (((a * c) + (0.8333333333333334 * c)) - (a * b))))));
	} else if (t < 5.196588770651547e-123) {
		tmp = x / (x + (y * Math.exp((2.0 * (((t_1 * ((3.0 * t) * t_2)) - (((((5.0 / 6.0) + a) * (3.0 * t)) - 2.0) * (t_2 * ((b - c) * t)))) / (((t * t) * 3.0) * t_2))))));
	} else {
		tmp = x / (x + (y * Math.exp((2.0 * ((t_1 / t) - ((b - c) * ((a + (5.0 / 6.0)) - (2.0 / (t * 3.0)))))))));
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	t_1 = z * math.sqrt((t + a))
	t_2 = a - (5.0 / 6.0)
	tmp = 0
	if t < -2.118326644891581e-50:
		tmp = x / (x + (y * math.exp((2.0 * (((a * c) + (0.8333333333333334 * c)) - (a * b))))))
	elif t < 5.196588770651547e-123:
		tmp = x / (x + (y * math.exp((2.0 * (((t_1 * ((3.0 * t) * t_2)) - (((((5.0 / 6.0) + a) * (3.0 * t)) - 2.0) * (t_2 * ((b - c) * t)))) / (((t * t) * 3.0) * t_2))))))
	else:
		tmp = x / (x + (y * math.exp((2.0 * ((t_1 / t) - ((b - c) * ((a + (5.0 / 6.0)) - (2.0 / (t * 3.0)))))))))
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	t_1 = Float64(z * sqrt(Float64(t + a)))
	t_2 = Float64(a - Float64(5.0 / 6.0))
	tmp = 0.0
	if (t < -2.118326644891581e-50)
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(Float64(Float64(a * c) + Float64(0.8333333333333334 * c)) - Float64(a * b)))))));
	elseif (t < 5.196588770651547e-123)
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(Float64(Float64(t_1 * Float64(Float64(3.0 * t) * t_2)) - Float64(Float64(Float64(Float64(Float64(5.0 / 6.0) + a) * Float64(3.0 * t)) - 2.0) * Float64(t_2 * Float64(Float64(b - c) * t)))) / Float64(Float64(Float64(t * t) * 3.0) * t_2)))))));
	else
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(Float64(t_1 / t) - Float64(Float64(b - c) * Float64(Float64(a + Float64(5.0 / 6.0)) - Float64(2.0 / Float64(t * 3.0))))))))));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	t_1 = z * sqrt((t + a));
	t_2 = a - (5.0 / 6.0);
	tmp = 0.0;
	if (t < -2.118326644891581e-50)
		tmp = x / (x + (y * exp((2.0 * (((a * c) + (0.8333333333333334 * c)) - (a * b))))));
	elseif (t < 5.196588770651547e-123)
		tmp = x / (x + (y * exp((2.0 * (((t_1 * ((3.0 * t) * t_2)) - (((((5.0 / 6.0) + a) * (3.0 * t)) - 2.0) * (t_2 * ((b - c) * t)))) / (((t * t) * 3.0) * t_2))))));
	else
		tmp = x / (x + (y * exp((2.0 * ((t_1 / t) - ((b - c) * ((a + (5.0 / 6.0)) - (2.0 / (t * 3.0)))))))));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := Block[{t$95$1 = N[(z * N[Sqrt[N[(t + a), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]}, Block[{t$95$2 = N[(a - N[(5.0 / 6.0), $MachinePrecision]), $MachinePrecision]}, If[Less[t, -2.118326644891581e-50], N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(N[(N[(a * c), $MachinePrecision] + N[(0.8333333333333334 * c), $MachinePrecision]), $MachinePrecision] - N[(a * b), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[Less[t, 5.196588770651547e-123], N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(N[(N[(t$95$1 * N[(N[(3.0 * t), $MachinePrecision] * t$95$2), $MachinePrecision]), $MachinePrecision] - N[(N[(N[(N[(N[(5.0 / 6.0), $MachinePrecision] + a), $MachinePrecision] * N[(3.0 * t), $MachinePrecision]), $MachinePrecision] - 2.0), $MachinePrecision] * N[(t$95$2 * N[(N[(b - c), $MachinePrecision] * t), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] / N[(N[(N[(t * t), $MachinePrecision] * 3.0), $MachinePrecision] * t$95$2), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(N[(t$95$1 / t), $MachinePrecision] - N[(N[(b - c), $MachinePrecision] * N[(N[(a + N[(5.0 / 6.0), $MachinePrecision]), $MachinePrecision] - N[(2.0 / N[(t * 3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]]]

Reproduce

herbie shell --seed 2024096 
(FPCore (x y z t a b c)
  :name "Numeric.SpecFunctions:invIncompleteBetaWorker from math-functions-0.1.5.2, I"
  :precision binary64

  :alt
  (if (< t -2.118326644891581e-50) (/ x (+ x (* y (exp (* 2.0 (- (+ (* a c) (* 0.8333333333333334 c)) (* a b))))))) (if (< t 5.196588770651547e-123) (/ x (+ x (* y (exp (* 2.0 (/ (- (* (* z (sqrt (+ t a))) (* (* 3.0 t) (- a (/ 5.0 6.0)))) (* (- (* (+ (/ 5.0 6.0) a) (* 3.0 t)) 2.0) (* (- a (/ 5.0 6.0)) (* (- b c) t)))) (* (* (* t t) 3.0) (- a (/ 5.0 6.0))))))))) (/ x (+ x (* y (exp (* 2.0 (- (/ (* z (sqrt (+ t a))) t) (* (- b c) (- (+ a (/ 5.0 6.0)) (/ 2.0 (* t 3.0))))))))))))

  (/ x (+ x (* y (exp (* 2.0 (- (/ (* z (sqrt (+ t a))) t) (* (- b c) (- (+ a (/ 5.0 6.0)) (/ 2.0 (* t 3.0)))))))))))