math.cos on complex, imaginary part

Percentage Accurate: 67.0% → 99.5%

Time: 10.4s

Alternatives: 12

Speedup: 2.8×

• 51.0% of points produce a very large (infinite) output. You may want to add a precondition.

Specification

Math

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

FPCore

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

C

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

Fortran

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

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

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

Initial Program: 67.0% accurate, 1.0× speedup

Math

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

FPCore

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

C

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

Fortran

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

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

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

Alternative 1: 99.5% accurate, 0.4× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ \begin{array}{l} t_0 := e^{-im\_m} - e^{im\_m}\\ im\_s \cdot \begin{array}{l} \mathbf{if}\;t\_0 \leq -2 \cdot 10^{+105}:\\ \;\;\;\;t\_0 \cdot \left(0.5 \cdot \sin re\right)\\ \mathbf{else}:\\ \;\;\;\;im\_m \cdot \left({im\_m}^{2} \cdot \left(\sin re \cdot -0.16666666666666666 + -0.008333333333333333 \cdot \left(\sin re \cdot {im\_m}^{2}\right)\right) - \sin re\right)\\ \end{array} \end{array} \end{array} \]

FPCore

im\_m = (fabs.f64 im)
im\_s = (copysign.f64 #s(literal 1 binary64) im)
(FPCore (im_s re im_m)
 :precision binary64
 (let* ((t_0 (- (exp (- im_m)) (exp im_m))))
   (*
    im_s
    (if (<= t_0 -2e+105)
      (* t_0 (* 0.5 (sin re)))
      (*
       im_m
       (-
        (*
         (pow im_m 2.0)
         (+
          (* (sin re) -0.16666666666666666)
          (* -0.008333333333333333 (* (sin re) (pow im_m 2.0)))))
        (sin re)))))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double t_0 = exp(-im_m) - exp(im_m);
	double tmp;
	if (t_0 <= -2e+105) {
		tmp = t_0 * (0.5 * sin(re));
	} else {
		tmp = im_m * ((pow(im_m, 2.0) * ((sin(re) * -0.16666666666666666) + (-0.008333333333333333 * (sin(re) * pow(im_m, 2.0))))) - sin(re));
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: t_0
    real(8) :: tmp
    t_0 = exp(-im_m) - exp(im_m)
    if (t_0 <= (-2d+105)) then
        tmp = t_0 * (0.5d0 * sin(re))
    else
        tmp = im_m * (((im_m ** 2.0d0) * ((sin(re) * (-0.16666666666666666d0)) + ((-0.008333333333333333d0) * (sin(re) * (im_m ** 2.0d0))))) - sin(re))
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double t_0 = Math.exp(-im_m) - Math.exp(im_m);
	double tmp;
	if (t_0 <= -2e+105) {
		tmp = t_0 * (0.5 * Math.sin(re));
	} else {
		tmp = im_m * ((Math.pow(im_m, 2.0) * ((Math.sin(re) * -0.16666666666666666) + (-0.008333333333333333 * (Math.sin(re) * Math.pow(im_m, 2.0))))) - Math.sin(re));
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	t_0 = math.exp(-im_m) - math.exp(im_m)
	tmp = 0
	if t_0 <= -2e+105:
		tmp = t_0 * (0.5 * math.sin(re))
	else:
		tmp = im_m * ((math.pow(im_m, 2.0) * ((math.sin(re) * -0.16666666666666666) + (-0.008333333333333333 * (math.sin(re) * math.pow(im_m, 2.0))))) - math.sin(re))
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	t_0 = Float64(exp(Float64(-im_m)) - exp(im_m))
	tmp = 0.0
	if (t_0 <= -2e+105)
		tmp = Float64(t_0 * Float64(0.5 * sin(re)));
	else
		tmp = Float64(im_m * Float64(Float64((im_m ^ 2.0) * Float64(Float64(sin(re) * -0.16666666666666666) + Float64(-0.008333333333333333 * Float64(sin(re) * (im_m ^ 2.0))))) - sin(re)));
	end
	return Float64(im_s * tmp)
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp_2 = code(im_s, re, im_m)
	t_0 = exp(-im_m) - exp(im_m);
	tmp = 0.0;
	if (t_0 <= -2e+105)
		tmp = t_0 * (0.5 * sin(re));
	else
		tmp = im_m * (((im_m ^ 2.0) * ((sin(re) * -0.16666666666666666) + (-0.008333333333333333 * (sin(re) * (im_m ^ 2.0))))) - sin(re));
	end
	tmp_2 = im_s * tmp;
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := Block[{t$95$0 = N[(N[Exp[(-im$95$m)], $MachinePrecision] - N[Exp[im$95$m], $MachinePrecision]), $MachinePrecision]}, N[(im$95$s * If[LessEqual[t$95$0, -2e+105], N[(t$95$0 * N[(0.5 * N[Sin[re], $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(im$95$m * N[(N[(N[Power[im$95$m, 2.0], $MachinePrecision] * N[(N[(N[Sin[re], $MachinePrecision] * -0.16666666666666666), $MachinePrecision] + N[(-0.008333333333333333 * N[(N[Sin[re], $MachinePrecision] * N[Power[im$95$m, 2.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] - N[Sin[re], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if (-.f64 (exp.f64 (neg.f64 im)) (exp.f64 im)) < -1.9999999999999999e105

   1. Initial program 100.0%

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

   if -1.9999999999999999e105 < (-.f64 (exp.f64 (neg.f64 im)) (exp.f64 im))

   1. Initial program 52.1%

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

   3. Taylor expanded in im around 0 93.0%

      \[\leadsto \color{blue}{im \cdot \left(-1 \cdot \sin re + {im}^{2} \cdot \left(-0.16666666666666666 \cdot \sin re + -0.008333333333333333 \cdot \left({im}^{2} \cdot \sin re\right)\right)\right)} \]
3. Recombined 2 regimes into one program.

4. Final simplification 94.7%

   \[\leadsto \begin{array}{l} \mathbf{if}\;e^{-im} - e^{im} \leq -2 \cdot 10^{+105}:\\ \;\;\;\;\left(e^{-im} - e^{im}\right) \cdot \left(0.5 \cdot \sin re\right)\\ \mathbf{else}:\\ \;\;\;\;im \cdot \left({im}^{2} \cdot \left(\sin re \cdot -0.16666666666666666 + -0.008333333333333333 \cdot \left(\sin re \cdot {im}^{2}\right)\right) - \sin re\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 2: 99.5% accurate, 0.6× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ \begin{array}{l} t_0 := e^{-im\_m} - e^{im\_m}\\ im\_s \cdot \begin{array}{l} \mathbf{if}\;t\_0 \leq -2 \cdot 10^{+105}:\\ \;\;\;\;t\_0 \cdot \left(0.5 \cdot \sin re\right)\\ \mathbf{else}:\\ \;\;\;\;0.5 \cdot \left(im\_m \cdot \left(\sin re \cdot \left({im\_m}^{2} \cdot \left({im\_m}^{2} \cdot -0.016666666666666666 - 0.3333333333333333\right) - 2\right)\right)\right)\\ \end{array} \end{array} \end{array} \]

FPCore

im\_m = (fabs.f64 im)
im\_s = (copysign.f64 #s(literal 1 binary64) im)
(FPCore (im_s re im_m)
 :precision binary64
 (let* ((t_0 (- (exp (- im_m)) (exp im_m))))
   (*
    im_s
    (if (<= t_0 -2e+105)
      (* t_0 (* 0.5 (sin re)))
      (*
       0.5
       (*
        im_m
        (*
         (sin re)
         (-
          (*
           (pow im_m 2.0)
           (- (* (pow im_m 2.0) -0.016666666666666666) 0.3333333333333333))
          2.0))))))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double t_0 = exp(-im_m) - exp(im_m);
	double tmp;
	if (t_0 <= -2e+105) {
		tmp = t_0 * (0.5 * sin(re));
	} else {
		tmp = 0.5 * (im_m * (sin(re) * ((pow(im_m, 2.0) * ((pow(im_m, 2.0) * -0.016666666666666666) - 0.3333333333333333)) - 2.0)));
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: t_0
    real(8) :: tmp
    t_0 = exp(-im_m) - exp(im_m)
    if (t_0 <= (-2d+105)) then
        tmp = t_0 * (0.5d0 * sin(re))
    else
        tmp = 0.5d0 * (im_m * (sin(re) * (((im_m ** 2.0d0) * (((im_m ** 2.0d0) * (-0.016666666666666666d0)) - 0.3333333333333333d0)) - 2.0d0)))
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double t_0 = Math.exp(-im_m) - Math.exp(im_m);
	double tmp;
	if (t_0 <= -2e+105) {
		tmp = t_0 * (0.5 * Math.sin(re));
	} else {
		tmp = 0.5 * (im_m * (Math.sin(re) * ((Math.pow(im_m, 2.0) * ((Math.pow(im_m, 2.0) * -0.016666666666666666) - 0.3333333333333333)) - 2.0)));
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	t_0 = math.exp(-im_m) - math.exp(im_m)
	tmp = 0
	if t_0 <= -2e+105:
		tmp = t_0 * (0.5 * math.sin(re))
	else:
		tmp = 0.5 * (im_m * (math.sin(re) * ((math.pow(im_m, 2.0) * ((math.pow(im_m, 2.0) * -0.016666666666666666) - 0.3333333333333333)) - 2.0)))
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	t_0 = Float64(exp(Float64(-im_m)) - exp(im_m))
	tmp = 0.0
	if (t_0 <= -2e+105)
		tmp = Float64(t_0 * Float64(0.5 * sin(re)));
	else
		tmp = Float64(0.5 * Float64(im_m * Float64(sin(re) * Float64(Float64((im_m ^ 2.0) * Float64(Float64((im_m ^ 2.0) * -0.016666666666666666) - 0.3333333333333333)) - 2.0))));
	end
	return Float64(im_s * tmp)
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp_2 = code(im_s, re, im_m)
	t_0 = exp(-im_m) - exp(im_m);
	tmp = 0.0;
	if (t_0 <= -2e+105)
		tmp = t_0 * (0.5 * sin(re));
	else
		tmp = 0.5 * (im_m * (sin(re) * (((im_m ^ 2.0) * (((im_m ^ 2.0) * -0.016666666666666666) - 0.3333333333333333)) - 2.0)));
	end
	tmp_2 = im_s * tmp;
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := Block[{t$95$0 = N[(N[Exp[(-im$95$m)], $MachinePrecision] - N[Exp[im$95$m], $MachinePrecision]), $MachinePrecision]}, N[(im$95$s * If[LessEqual[t$95$0, -2e+105], N[(t$95$0 * N[(0.5 * N[Sin[re], $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(0.5 * N[(im$95$m * N[(N[Sin[re], $MachinePrecision] * N[(N[(N[Power[im$95$m, 2.0], $MachinePrecision] * N[(N[(N[Power[im$95$m, 2.0], $MachinePrecision] * -0.016666666666666666), $MachinePrecision] - 0.3333333333333333), $MachinePrecision]), $MachinePrecision] - 2.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if (-.f64 (exp.f64 (neg.f64 im)) (exp.f64 im)) < -1.9999999999999999e105

   1. Initial program 100.0%

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

   if -1.9999999999999999e105 < (-.f64 (exp.f64 (neg.f64 im)) (exp.f64 im))

   1. Initial program 52.1%

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

   3. Taylor expanded in im around 0 95.4%

      \[\leadsto \left(0.5 \cdot \sin re\right) \cdot \color{blue}{\left(im \cdot \left({im}^{2} \cdot \left(-0.016666666666666666 \cdot {im}^{2} - 0.3333333333333333\right) - 2\right)\right)} \]

   4. Taylor expanded in re around inf 94.4%

      \[\leadsto \color{blue}{0.5 \cdot \left(im \cdot \left(\sin re \cdot \left({im}^{2} \cdot \left(-0.016666666666666666 \cdot {im}^{2} - 0.3333333333333333\right) - 2\right)\right)\right)} \]
3. Recombined 2 regimes into one program.

4. Final simplification 95.8%

   \[\leadsto \begin{array}{l} \mathbf{if}\;e^{-im} - e^{im} \leq -2 \cdot 10^{+105}:\\ \;\;\;\;\left(e^{-im} - e^{im}\right) \cdot \left(0.5 \cdot \sin re\right)\\ \mathbf{else}:\\ \;\;\;\;0.5 \cdot \left(im \cdot \left(\sin re \cdot \left({im}^{2} \cdot \left({im}^{2} \cdot -0.016666666666666666 - 0.3333333333333333\right) - 2\right)\right)\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 3: 99.4% accurate, 0.6× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ \begin{array}{l} t_0 := e^{-im\_m} - e^{im\_m}\\ im\_s \cdot \begin{array}{l} \mathbf{if}\;t\_0 \leq -2 \cdot 10^{+105}:\\ \;\;\;\;t\_0 \cdot \left(0.5 \cdot \sin re\right)\\ \mathbf{else}:\\ \;\;\;\;im\_m \cdot \left(-0.16666666666666666 \cdot \left(\sin re \cdot {im\_m}^{2}\right) - \sin re\right)\\ \end{array} \end{array} \end{array} \]

FPCore

im\_m = (fabs.f64 im)
im\_s = (copysign.f64 #s(literal 1 binary64) im)
(FPCore (im_s re im_m)
 :precision binary64
 (let* ((t_0 (- (exp (- im_m)) (exp im_m))))
   (*
    im_s
    (if (<= t_0 -2e+105)
      (* t_0 (* 0.5 (sin re)))
      (*
       im_m
       (- (* -0.16666666666666666 (* (sin re) (pow im_m 2.0))) (sin re)))))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double t_0 = exp(-im_m) - exp(im_m);
	double tmp;
	if (t_0 <= -2e+105) {
		tmp = t_0 * (0.5 * sin(re));
	} else {
		tmp = im_m * ((-0.16666666666666666 * (sin(re) * pow(im_m, 2.0))) - sin(re));
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: t_0
    real(8) :: tmp
    t_0 = exp(-im_m) - exp(im_m)
    if (t_0 <= (-2d+105)) then
        tmp = t_0 * (0.5d0 * sin(re))
    else
        tmp = im_m * (((-0.16666666666666666d0) * (sin(re) * (im_m ** 2.0d0))) - sin(re))
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double t_0 = Math.exp(-im_m) - Math.exp(im_m);
	double tmp;
	if (t_0 <= -2e+105) {
		tmp = t_0 * (0.5 * Math.sin(re));
	} else {
		tmp = im_m * ((-0.16666666666666666 * (Math.sin(re) * Math.pow(im_m, 2.0))) - Math.sin(re));
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	t_0 = math.exp(-im_m) - math.exp(im_m)
	tmp = 0
	if t_0 <= -2e+105:
		tmp = t_0 * (0.5 * math.sin(re))
	else:
		tmp = im_m * ((-0.16666666666666666 * (math.sin(re) * math.pow(im_m, 2.0))) - math.sin(re))
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	t_0 = Float64(exp(Float64(-im_m)) - exp(im_m))
	tmp = 0.0
	if (t_0 <= -2e+105)
		tmp = Float64(t_0 * Float64(0.5 * sin(re)));
	else
		tmp = Float64(im_m * Float64(Float64(-0.16666666666666666 * Float64(sin(re) * (im_m ^ 2.0))) - sin(re)));
	end
	return Float64(im_s * tmp)
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp_2 = code(im_s, re, im_m)
	t_0 = exp(-im_m) - exp(im_m);
	tmp = 0.0;
	if (t_0 <= -2e+105)
		tmp = t_0 * (0.5 * sin(re));
	else
		tmp = im_m * ((-0.16666666666666666 * (sin(re) * (im_m ^ 2.0))) - sin(re));
	end
	tmp_2 = im_s * tmp;
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := Block[{t$95$0 = N[(N[Exp[(-im$95$m)], $MachinePrecision] - N[Exp[im$95$m], $MachinePrecision]), $MachinePrecision]}, N[(im$95$s * If[LessEqual[t$95$0, -2e+105], N[(t$95$0 * N[(0.5 * N[Sin[re], $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(im$95$m * N[(N[(-0.16666666666666666 * N[(N[Sin[re], $MachinePrecision] * N[Power[im$95$m, 2.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision] - N[Sin[re], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if (-.f64 (exp.f64 (neg.f64 im)) (exp.f64 im)) < -1.9999999999999999e105

   1. Initial program 100.0%

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

   if -1.9999999999999999e105 < (-.f64 (exp.f64 (neg.f64 im)) (exp.f64 im))

   1. Initial program 52.1%

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

   3. Taylor expanded in im around 0 89.5%

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

4. Final simplification 92.1%

   \[\leadsto \begin{array}{l} \mathbf{if}\;e^{-im} - e^{im} \leq -2 \cdot 10^{+105}:\\ \;\;\;\;\left(e^{-im} - e^{im}\right) \cdot \left(0.5 \cdot \sin re\right)\\ \mathbf{else}:\\ \;\;\;\;im \cdot \left(-0.16666666666666666 \cdot \left(\sin re \cdot {im}^{2}\right) - \sin re\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 4: 99.4% accurate, 0.6× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ \begin{array}{l} t_0 := e^{-im\_m} - e^{im\_m}\\ im\_s \cdot \begin{array}{l} \mathbf{if}\;t\_0 \leq -2 \cdot 10^{+105}:\\ \;\;\;\;t\_0 \cdot \left(0.5 \cdot \sin re\right)\\ \mathbf{else}:\\ \;\;\;\;\sin re \cdot \left(-0.16666666666666666 \cdot {im\_m}^{3} - im\_m\right)\\ \end{array} \end{array} \end{array} \]

FPCore

im\_m = (fabs.f64 im)
im\_s = (copysign.f64 #s(literal 1 binary64) im)
(FPCore (im_s re im_m)
 :precision binary64
 (let* ((t_0 (- (exp (- im_m)) (exp im_m))))
   (*
    im_s
    (if (<= t_0 -2e+105)
      (* t_0 (* 0.5 (sin re)))
      (* (sin re) (- (* -0.16666666666666666 (pow im_m 3.0)) im_m))))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double t_0 = exp(-im_m) - exp(im_m);
	double tmp;
	if (t_0 <= -2e+105) {
		tmp = t_0 * (0.5 * sin(re));
	} else {
		tmp = sin(re) * ((-0.16666666666666666 * pow(im_m, 3.0)) - im_m);
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: t_0
    real(8) :: tmp
    t_0 = exp(-im_m) - exp(im_m)
    if (t_0 <= (-2d+105)) then
        tmp = t_0 * (0.5d0 * sin(re))
    else
        tmp = sin(re) * (((-0.16666666666666666d0) * (im_m ** 3.0d0)) - im_m)
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double t_0 = Math.exp(-im_m) - Math.exp(im_m);
	double tmp;
	if (t_0 <= -2e+105) {
		tmp = t_0 * (0.5 * Math.sin(re));
	} else {
		tmp = Math.sin(re) * ((-0.16666666666666666 * Math.pow(im_m, 3.0)) - im_m);
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	t_0 = math.exp(-im_m) - math.exp(im_m)
	tmp = 0
	if t_0 <= -2e+105:
		tmp = t_0 * (0.5 * math.sin(re))
	else:
		tmp = math.sin(re) * ((-0.16666666666666666 * math.pow(im_m, 3.0)) - im_m)
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	t_0 = Float64(exp(Float64(-im_m)) - exp(im_m))
	tmp = 0.0
	if (t_0 <= -2e+105)
		tmp = Float64(t_0 * Float64(0.5 * sin(re)));
	else
		tmp = Float64(sin(re) * Float64(Float64(-0.16666666666666666 * (im_m ^ 3.0)) - im_m));
	end
	return Float64(im_s * tmp)
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp_2 = code(im_s, re, im_m)
	t_0 = exp(-im_m) - exp(im_m);
	tmp = 0.0;
	if (t_0 <= -2e+105)
		tmp = t_0 * (0.5 * sin(re));
	else
		tmp = sin(re) * ((-0.16666666666666666 * (im_m ^ 3.0)) - im_m);
	end
	tmp_2 = im_s * tmp;
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := Block[{t$95$0 = N[(N[Exp[(-im$95$m)], $MachinePrecision] - N[Exp[im$95$m], $MachinePrecision]), $MachinePrecision]}, N[(im$95$s * If[LessEqual[t$95$0, -2e+105], N[(t$95$0 * N[(0.5 * N[Sin[re], $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(N[Sin[re], $MachinePrecision] * N[(N[(-0.16666666666666666 * N[Power[im$95$m, 3.0], $MachinePrecision]), $MachinePrecision] - im$95$m), $MachinePrecision]), $MachinePrecision]]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if (-.f64 (exp.f64 (neg.f64 im)) (exp.f64 im)) < -1.9999999999999999e105

   1. Initial program 100.0%

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

   if -1.9999999999999999e105 < (-.f64 (exp.f64 (neg.f64 im)) (exp.f64 im))

   1. Initial program 52.1%

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

   3. Taylor expanded in im around 0 89.5%

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

      1. +-commutative 89.5%

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

      2. mul-1-neg 89.5%

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

      3. unsub-neg 89.5%

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

      4. *-commutative 89.5%

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

      5. associate-*r* 89.5%

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

      6. distribute-lft-out-- 89.5%

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

      7. associate-*r* 89.5%

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

      8. *-commutative 89.5%

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

      9. associate-*r* 89.5%

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

      10. associate-*r* 92.4%

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

      11. distribute-rgt-out-- 92.4%

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

   5. Simplified 92.4%

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

4. Final simplification 94.2%

   \[\leadsto \begin{array}{l} \mathbf{if}\;e^{-im} - e^{im} \leq -2 \cdot 10^{+105}:\\ \;\;\;\;\left(e^{-im} - e^{im}\right) \cdot \left(0.5 \cdot \sin re\right)\\ \mathbf{else}:\\ \;\;\;\;\sin re \cdot \left(-0.16666666666666666 \cdot {im}^{3} - im\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 5: 96.7% accurate, 1.4× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 56000:\\ \;\;\;\;\sin re \cdot \left(-0.16666666666666666 \cdot {im\_m}^{3} - im\_m\right)\\ \mathbf{elif}\;im\_m \leq 4.5 \cdot 10^{+61}:\\ \;\;\;\;\left(e^{-im\_m} - e^{im\_m}\right) \cdot \left(0.5 \cdot re\right)\\ \mathbf{else}:\\ \;\;\;\;-0.008333333333333333 \cdot \left(\sin re \cdot {im\_m}^{5}\right)\\ \end{array} \end{array} \]

FPCore

im\_m = (fabs.f64 im)
im\_s = (copysign.f64 #s(literal 1 binary64) im)
(FPCore (im_s re im_m)
 :precision binary64
 (*
  im_s
  (if (<= im_m 56000.0)
    (* (sin re) (- (* -0.16666666666666666 (pow im_m 3.0)) im_m))
    (if (<= im_m 4.5e+61)
      (* (- (exp (- im_m)) (exp im_m)) (* 0.5 re))
      (* -0.008333333333333333 (* (sin re) (pow im_m 5.0)))))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 56000.0) {
		tmp = sin(re) * ((-0.16666666666666666 * pow(im_m, 3.0)) - im_m);
	} else if (im_m <= 4.5e+61) {
		tmp = (exp(-im_m) - exp(im_m)) * (0.5 * re);
	} else {
		tmp = -0.008333333333333333 * (sin(re) * pow(im_m, 5.0));
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: tmp
    if (im_m <= 56000.0d0) then
        tmp = sin(re) * (((-0.16666666666666666d0) * (im_m ** 3.0d0)) - im_m)
    else if (im_m <= 4.5d+61) then
        tmp = (exp(-im_m) - exp(im_m)) * (0.5d0 * re)
    else
        tmp = (-0.008333333333333333d0) * (sin(re) * (im_m ** 5.0d0))
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 56000.0) {
		tmp = Math.sin(re) * ((-0.16666666666666666 * Math.pow(im_m, 3.0)) - im_m);
	} else if (im_m <= 4.5e+61) {
		tmp = (Math.exp(-im_m) - Math.exp(im_m)) * (0.5 * re);
	} else {
		tmp = -0.008333333333333333 * (Math.sin(re) * Math.pow(im_m, 5.0));
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	tmp = 0
	if im_m <= 56000.0:
		tmp = math.sin(re) * ((-0.16666666666666666 * math.pow(im_m, 3.0)) - im_m)
	elif im_m <= 4.5e+61:
		tmp = (math.exp(-im_m) - math.exp(im_m)) * (0.5 * re)
	else:
		tmp = -0.008333333333333333 * (math.sin(re) * math.pow(im_m, 5.0))
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	tmp = 0.0
	if (im_m <= 56000.0)
		tmp = Float64(sin(re) * Float64(Float64(-0.16666666666666666 * (im_m ^ 3.0)) - im_m));
	elseif (im_m <= 4.5e+61)
		tmp = Float64(Float64(exp(Float64(-im_m)) - exp(im_m)) * Float64(0.5 * re));
	else
		tmp = Float64(-0.008333333333333333 * Float64(sin(re) * (im_m ^ 5.0)));
	end
	return Float64(im_s * tmp)
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp_2 = code(im_s, re, im_m)
	tmp = 0.0;
	if (im_m <= 56000.0)
		tmp = sin(re) * ((-0.16666666666666666 * (im_m ^ 3.0)) - im_m);
	elseif (im_m <= 4.5e+61)
		tmp = (exp(-im_m) - exp(im_m)) * (0.5 * re);
	else
		tmp = -0.008333333333333333 * (sin(re) * (im_m ^ 5.0));
	end
	tmp_2 = im_s * tmp;
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := N[(im$95$s * If[LessEqual[im$95$m, 56000.0], N[(N[Sin[re], $MachinePrecision] * N[(N[(-0.16666666666666666 * N[Power[im$95$m, 3.0], $MachinePrecision]), $MachinePrecision] - im$95$m), $MachinePrecision]), $MachinePrecision], If[LessEqual[im$95$m, 4.5e+61], N[(N[(N[Exp[(-im$95$m)], $MachinePrecision] - N[Exp[im$95$m], $MachinePrecision]), $MachinePrecision] * N[(0.5 * re), $MachinePrecision]), $MachinePrecision], N[(-0.008333333333333333 * N[(N[Sin[re], $MachinePrecision] * N[Power[im$95$m, 5.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]), $MachinePrecision]

Derivation

1. Split input into 3 regimes

2. if im < 56000

   1. Initial program 52.3%

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

   3. Taylor expanded in im around 0 89.0%

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

      1. +-commutative 89.0%

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

      2. mul-1-neg 89.0%

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

      3. unsub-neg 89.0%

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

      4. *-commutative 89.0%

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

      5. associate-*r* 89.0%

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

      6. distribute-lft-out-- 89.0%

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

      7. associate-*r* 89.0%

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

      8. *-commutative 89.0%

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

      9. associate-*r* 89.0%

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

      10. associate-*r* 91.9%

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

      11. distribute-rgt-out-- 91.9%

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

   5. Simplified 91.9%

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

   if 56000 < im < 4.5e61

   1. Initial program 100.0%

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

   3. Taylor expanded in re around 0 81.8%

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

   if 4.5e61 < im

   1. Initial program 100.0%

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

   3. Taylor expanded in im around 0 100.0%

      \[\leadsto \left(0.5 \cdot \sin re\right) \cdot \color{blue}{\left(im \cdot \left({im}^{2} \cdot \left(-0.016666666666666666 \cdot {im}^{2} - 0.3333333333333333\right) - 2\right)\right)} \]

   4. Taylor expanded in im around inf 100.0%

      \[\leadsto \color{blue}{-0.008333333333333333 \cdot \left({im}^{5} \cdot \sin re\right)} \]
3. Recombined 3 regimes into one program.

4. Final simplification 93.1%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 56000:\\ \;\;\;\;\sin re \cdot \left(-0.16666666666666666 \cdot {im}^{3} - im\right)\\ \mathbf{elif}\;im \leq 4.5 \cdot 10^{+61}:\\ \;\;\;\;\left(e^{-im} - e^{im}\right) \cdot \left(0.5 \cdot re\right)\\ \mathbf{else}:\\ \;\;\;\;-0.008333333333333333 \cdot \left(\sin re \cdot {im}^{5}\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 6: 90.0% accurate, 1.4× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 4.9:\\ \;\;\;\;\sin re \cdot \left(-0.16666666666666666 \cdot {im\_m}^{3} - im\_m\right)\\ \mathbf{else}:\\ \;\;\;\;-0.008333333333333333 \cdot \left(\sin re \cdot {im\_m}^{5}\right)\\ \end{array} \end{array} \]

FPCore

im\_m = (fabs.f64 im)
im\_s = (copysign.f64 #s(literal 1 binary64) im)
(FPCore (im_s re im_m)
 :precision binary64
 (*
  im_s
  (if (<= im_m 4.9)
    (* (sin re) (- (* -0.16666666666666666 (pow im_m 3.0)) im_m))
    (* -0.008333333333333333 (* (sin re) (pow im_m 5.0))))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 4.9) {
		tmp = sin(re) * ((-0.16666666666666666 * pow(im_m, 3.0)) - im_m);
	} else {
		tmp = -0.008333333333333333 * (sin(re) * pow(im_m, 5.0));
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: tmp
    if (im_m <= 4.9d0) then
        tmp = sin(re) * (((-0.16666666666666666d0) * (im_m ** 3.0d0)) - im_m)
    else
        tmp = (-0.008333333333333333d0) * (sin(re) * (im_m ** 5.0d0))
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 4.9) {
		tmp = Math.sin(re) * ((-0.16666666666666666 * Math.pow(im_m, 3.0)) - im_m);
	} else {
		tmp = -0.008333333333333333 * (Math.sin(re) * Math.pow(im_m, 5.0));
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	tmp = 0
	if im_m <= 4.9:
		tmp = math.sin(re) * ((-0.16666666666666666 * math.pow(im_m, 3.0)) - im_m)
	else:
		tmp = -0.008333333333333333 * (math.sin(re) * math.pow(im_m, 5.0))
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	tmp = 0.0
	if (im_m <= 4.9)
		tmp = Float64(sin(re) * Float64(Float64(-0.16666666666666666 * (im_m ^ 3.0)) - im_m));
	else
		tmp = Float64(-0.008333333333333333 * Float64(sin(re) * (im_m ^ 5.0)));
	end
	return Float64(im_s * tmp)
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp_2 = code(im_s, re, im_m)
	tmp = 0.0;
	if (im_m <= 4.9)
		tmp = sin(re) * ((-0.16666666666666666 * (im_m ^ 3.0)) - im_m);
	else
		tmp = -0.008333333333333333 * (sin(re) * (im_m ^ 5.0));
	end
	tmp_2 = im_s * tmp;
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := N[(im$95$s * If[LessEqual[im$95$m, 4.9], N[(N[Sin[re], $MachinePrecision] * N[(N[(-0.16666666666666666 * N[Power[im$95$m, 3.0], $MachinePrecision]), $MachinePrecision] - im$95$m), $MachinePrecision]), $MachinePrecision], N[(-0.008333333333333333 * N[(N[Sin[re], $MachinePrecision] * N[Power[im$95$m, 5.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]), $MachinePrecision]

Derivation

1. Split input into 2 regimes

2. if im < 4.9000000000000004

   1. Initial program 52.1%

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

   3. Taylor expanded in im around 0 89.5%

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

      1. +-commutative 89.5%

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

      2. mul-1-neg 89.5%

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

      3. unsub-neg 89.5%

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

      4. *-commutative 89.5%

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

      5. associate-*r* 89.5%

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

      6. distribute-lft-out-- 89.5%

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

      7. associate-*r* 89.5%

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

      8. *-commutative 89.5%

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

      9. associate-*r* 89.5%

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

      10. associate-*r* 92.4%

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

      11. distribute-rgt-out-- 92.4%

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

   5. Simplified 92.4%

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

   if 4.9000000000000004 < im

   1. Initial program 100.0%

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

   3. Taylor expanded in im around 0 81.7%

      \[\leadsto \left(0.5 \cdot \sin re\right) \cdot \color{blue}{\left(im \cdot \left({im}^{2} \cdot \left(-0.016666666666666666 \cdot {im}^{2} - 0.3333333333333333\right) - 2\right)\right)} \]

   4. Taylor expanded in im around inf 81.7%

      \[\leadsto \color{blue}{-0.008333333333333333 \cdot \left({im}^{5} \cdot \sin re\right)} \]
3. Recombined 2 regimes into one program.

4. Final simplification 89.7%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 4.9:\\ \;\;\;\;\sin re \cdot \left(-0.16666666666666666 \cdot {im}^{3} - im\right)\\ \mathbf{else}:\\ \;\;\;\;-0.008333333333333333 \cdot \left(\sin re \cdot {im}^{5}\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 7: 89.7% accurate, 1.5× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 3.3:\\ \;\;\;\;im\_m \cdot \left(-\sin re\right)\\ \mathbf{else}:\\ \;\;\;\;-0.008333333333333333 \cdot \left(\sin re \cdot {im\_m}^{5}\right)\\ \end{array} \end{array} \]

FPCore

im\_m = (fabs.f64 im)
im\_s = (copysign.f64 #s(literal 1 binary64) im)
(FPCore (im_s re im_m)
 :precision binary64
 (*
  im_s
  (if (<= im_m 3.3)
    (* im_m (- (sin re)))
    (* -0.008333333333333333 (* (sin re) (pow im_m 5.0))))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 3.3) {
		tmp = im_m * -sin(re);
	} else {
		tmp = -0.008333333333333333 * (sin(re) * pow(im_m, 5.0));
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: tmp
    if (im_m <= 3.3d0) then
        tmp = im_m * -sin(re)
    else
        tmp = (-0.008333333333333333d0) * (sin(re) * (im_m ** 5.0d0))
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 3.3) {
		tmp = im_m * -Math.sin(re);
	} else {
		tmp = -0.008333333333333333 * (Math.sin(re) * Math.pow(im_m, 5.0));
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	tmp = 0
	if im_m <= 3.3:
		tmp = im_m * -math.sin(re)
	else:
		tmp = -0.008333333333333333 * (math.sin(re) * math.pow(im_m, 5.0))
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	tmp = 0.0
	if (im_m <= 3.3)
		tmp = Float64(im_m * Float64(-sin(re)));
	else
		tmp = Float64(-0.008333333333333333 * Float64(sin(re) * (im_m ^ 5.0)));
	end
	return Float64(im_s * tmp)
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp_2 = code(im_s, re, im_m)
	tmp = 0.0;
	if (im_m <= 3.3)
		tmp = im_m * -sin(re);
	else
		tmp = -0.008333333333333333 * (sin(re) * (im_m ^ 5.0));
	end
	tmp_2 = im_s * tmp;
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := N[(im$95$s * If[LessEqual[im$95$m, 3.3], N[(im$95$m * (-N[Sin[re], $MachinePrecision])), $MachinePrecision], N[(-0.008333333333333333 * N[(N[Sin[re], $MachinePrecision] * N[Power[im$95$m, 5.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]), $MachinePrecision]

Derivation

1. Split input into 2 regimes

2. if im < 3.2999999999999998

   1. Initial program 52.1%

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

   3. Taylor expanded in im around 0 67.8%

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

      1. mul-1-neg 67.8%

         \[\leadsto \color{blue}{-im \cdot \sin re} \]

      2. distribute-rgt-neg-in 67.8%

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

   5. Simplified 67.8%

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

   if 3.2999999999999998 < im

   1. Initial program 100.0%

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

   3. Taylor expanded in im around 0 81.7%

      \[\leadsto \left(0.5 \cdot \sin re\right) \cdot \color{blue}{\left(im \cdot \left({im}^{2} \cdot \left(-0.016666666666666666 \cdot {im}^{2} - 0.3333333333333333\right) - 2\right)\right)} \]

   4. Taylor expanded in im around inf 81.7%

      \[\leadsto \color{blue}{-0.008333333333333333 \cdot \left({im}^{5} \cdot \sin re\right)} \]
3. Recombined 2 regimes into one program.

4. Final simplification 71.2%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 3.3:\\ \;\;\;\;im \cdot \left(-\sin re\right)\\ \mathbf{else}:\\ \;\;\;\;-0.008333333333333333 \cdot \left(\sin re \cdot {im}^{5}\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 8: 80.4% accurate, 2.4× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 6.2 \cdot 10^{+14}:\\ \;\;\;\;im\_m \cdot \left(-\sin re\right)\\ \mathbf{elif}\;im\_m \leq 6.2 \cdot 10^{+102}:\\ \;\;\;\;-0.008333333333333333 \cdot \left(re \cdot {im\_m}^{5}\right)\\ \mathbf{elif}\;im\_m \leq 10^{+206}:\\ \;\;\;\;\left(-0.16666666666666666 \cdot {im\_m}^{3} - im\_m\right) \cdot \left(re \cdot \left(1 + re \cdot \left(re \cdot -0.16666666666666666\right)\right)\right)\\ \mathbf{else}:\\ \;\;\;\;im\_m \cdot \left(-0.16666666666666666 \cdot \left(re \cdot {im\_m}^{2}\right) - re\right)\\ \end{array} \end{array} \]

FPCore

im\_m = (fabs.f64 im)
im\_s = (copysign.f64 #s(literal 1 binary64) im)
(FPCore (im_s re im_m)
 :precision binary64
 (*
  im_s
  (if (<= im_m 6.2e+14)
    (* im_m (- (sin re)))
    (if (<= im_m 6.2e+102)
      (* -0.008333333333333333 (* re (pow im_m 5.0)))
      (if (<= im_m 1e+206)
        (*
         (- (* -0.16666666666666666 (pow im_m 3.0)) im_m)
         (* re (+ 1.0 (* re (* re -0.16666666666666666)))))
        (* im_m (- (* -0.16666666666666666 (* re (pow im_m 2.0))) re)))))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 6.2e+14) {
		tmp = im_m * -sin(re);
	} else if (im_m <= 6.2e+102) {
		tmp = -0.008333333333333333 * (re * pow(im_m, 5.0));
	} else if (im_m <= 1e+206) {
		tmp = ((-0.16666666666666666 * pow(im_m, 3.0)) - im_m) * (re * (1.0 + (re * (re * -0.16666666666666666))));
	} else {
		tmp = im_m * ((-0.16666666666666666 * (re * pow(im_m, 2.0))) - re);
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: tmp
    if (im_m <= 6.2d+14) then
        tmp = im_m * -sin(re)
    else if (im_m <= 6.2d+102) then
        tmp = (-0.008333333333333333d0) * (re * (im_m ** 5.0d0))
    else if (im_m <= 1d+206) then
        tmp = (((-0.16666666666666666d0) * (im_m ** 3.0d0)) - im_m) * (re * (1.0d0 + (re * (re * (-0.16666666666666666d0)))))
    else
        tmp = im_m * (((-0.16666666666666666d0) * (re * (im_m ** 2.0d0))) - re)
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 6.2e+14) {
		tmp = im_m * -Math.sin(re);
	} else if (im_m <= 6.2e+102) {
		tmp = -0.008333333333333333 * (re * Math.pow(im_m, 5.0));
	} else if (im_m <= 1e+206) {
		tmp = ((-0.16666666666666666 * Math.pow(im_m, 3.0)) - im_m) * (re * (1.0 + (re * (re * -0.16666666666666666))));
	} else {
		tmp = im_m * ((-0.16666666666666666 * (re * Math.pow(im_m, 2.0))) - re);
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	tmp = 0
	if im_m <= 6.2e+14:
		tmp = im_m * -math.sin(re)
	elif im_m <= 6.2e+102:
		tmp = -0.008333333333333333 * (re * math.pow(im_m, 5.0))
	elif im_m <= 1e+206:
		tmp = ((-0.16666666666666666 * math.pow(im_m, 3.0)) - im_m) * (re * (1.0 + (re * (re * -0.16666666666666666))))
	else:
		tmp = im_m * ((-0.16666666666666666 * (re * math.pow(im_m, 2.0))) - re)
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	tmp = 0.0
	if (im_m <= 6.2e+14)
		tmp = Float64(im_m * Float64(-sin(re)));
	elseif (im_m <= 6.2e+102)
		tmp = Float64(-0.008333333333333333 * Float64(re * (im_m ^ 5.0)));
	elseif (im_m <= 1e+206)
		tmp = Float64(Float64(Float64(-0.16666666666666666 * (im_m ^ 3.0)) - im_m) * Float64(re * Float64(1.0 + Float64(re * Float64(re * -0.16666666666666666)))));
	else
		tmp = Float64(im_m * Float64(Float64(-0.16666666666666666 * Float64(re * (im_m ^ 2.0))) - re));
	end
	return Float64(im_s * tmp)
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp_2 = code(im_s, re, im_m)
	tmp = 0.0;
	if (im_m <= 6.2e+14)
		tmp = im_m * -sin(re);
	elseif (im_m <= 6.2e+102)
		tmp = -0.008333333333333333 * (re * (im_m ^ 5.0));
	elseif (im_m <= 1e+206)
		tmp = ((-0.16666666666666666 * (im_m ^ 3.0)) - im_m) * (re * (1.0 + (re * (re * -0.16666666666666666))));
	else
		tmp = im_m * ((-0.16666666666666666 * (re * (im_m ^ 2.0))) - re);
	end
	tmp_2 = im_s * tmp;
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := N[(im$95$s * If[LessEqual[im$95$m, 6.2e+14], N[(im$95$m * (-N[Sin[re], $MachinePrecision])), $MachinePrecision], If[LessEqual[im$95$m, 6.2e+102], N[(-0.008333333333333333 * N[(re * N[Power[im$95$m, 5.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[im$95$m, 1e+206], N[(N[(N[(-0.16666666666666666 * N[Power[im$95$m, 3.0], $MachinePrecision]), $MachinePrecision] - im$95$m), $MachinePrecision] * N[(re * N[(1.0 + N[(re * N[(re * -0.16666666666666666), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(im$95$m * N[(N[(-0.16666666666666666 * N[(re * N[Power[im$95$m, 2.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision] - re), $MachinePrecision]), $MachinePrecision]]]]), $MachinePrecision]

Derivation

1. Split input into 4 regimes

2. if im < 6.2e14

   1. Initial program 52.8%

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

   3. Taylor expanded in im around 0 66.9%

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

      1. mul-1-neg 66.9%

         \[\leadsto \color{blue}{-im \cdot \sin re} \]

      2. distribute-rgt-neg-in 66.9%

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

   5. Simplified 66.9%

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

   if 6.2e14 < im < 6.19999999999999973e102

   1. Initial program 100.0%

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

   3. Taylor expanded in im around 0 60.6%

      \[\leadsto \left(0.5 \cdot \sin re\right) \cdot \color{blue}{\left(im \cdot \left({im}^{2} \cdot \left(-0.016666666666666666 \cdot {im}^{2} - 0.3333333333333333\right) - 2\right)\right)} \]

   4. Taylor expanded in im around inf 60.6%

      \[\leadsto \color{blue}{-0.008333333333333333 \cdot \left({im}^{5} \cdot \sin re\right)} \]

   5. Taylor expanded in re around 0 64.9%

      \[\leadsto -0.008333333333333333 \cdot \color{blue}{\left({im}^{5} \cdot re\right)} \]

   if 6.19999999999999973e102 < im < 1e206

   1. Initial program 100.0%

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

   3. Taylor expanded in im around 0 81.5%

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

      1. +-commutative 81.5%

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

      2. mul-1-neg 81.5%

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

      3. unsub-neg 81.5%

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

      4. *-commutative 81.5%

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

      5. associate-*r* 81.5%

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

      6. distribute-lft-out-- 81.5%

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

      7. associate-*r* 81.5%

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

      8. *-commutative 81.5%

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

      9. associate-*r* 81.5%

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

      10. associate-*r* 100.0%

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

      11. distribute-rgt-out-- 100.0%

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

   5. Simplified 100.0%

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

   6. Taylor expanded in re around 0 85.0%

      \[\leadsto \color{blue}{\left(re \cdot \left(1 + -0.16666666666666666 \cdot {re}^{2}\right)\right)} \cdot \left({im}^{3} \cdot -0.16666666666666666 - im\right) \]
   7. Step-by-step derivation

      1. unpow2 85.0%

         \[\leadsto \left(re \cdot \left(1 + -0.16666666666666666 \cdot \color{blue}{\left(re \cdot re\right)}\right)\right) \cdot \left({im}^{3} \cdot -0.16666666666666666 - im\right) \]

      2. associate-*r* 85.0%

         \[\leadsto \left(re \cdot \left(1 + \color{blue}{\left(-0.16666666666666666 \cdot re\right) \cdot re}\right)\right) \cdot \left({im}^{3} \cdot -0.16666666666666666 - im\right) \]

   8. Applied egg-rr 85.0%

      \[\leadsto \left(re \cdot \left(1 + \color{blue}{\left(-0.16666666666666666 \cdot re\right) \cdot re}\right)\right) \cdot \left({im}^{3} \cdot -0.16666666666666666 - im\right) \]

   if 1e206 < im

   1. Initial program 100.0%

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

   3. Taylor expanded in re around 0 88.9%

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

   4. Taylor expanded in im around 0 88.9%

      \[\leadsto \color{blue}{im \cdot \left(-1 \cdot re + -0.16666666666666666 \cdot \left({im}^{2} \cdot re\right)\right)} \]
3. Recombined 4 regimes into one program.

4. Final simplification 69.7%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 6.2 \cdot 10^{+14}:\\ \;\;\;\;im \cdot \left(-\sin re\right)\\ \mathbf{elif}\;im \leq 6.2 \cdot 10^{+102}:\\ \;\;\;\;-0.008333333333333333 \cdot \left(re \cdot {im}^{5}\right)\\ \mathbf{elif}\;im \leq 10^{+206}:\\ \;\;\;\;\left(-0.16666666666666666 \cdot {im}^{3} - im\right) \cdot \left(re \cdot \left(1 + re \cdot \left(re \cdot -0.16666666666666666\right)\right)\right)\\ \mathbf{else}:\\ \;\;\;\;im \cdot \left(-0.16666666666666666 \cdot \left(re \cdot {im}^{2}\right) - re\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 9: 80.2% accurate, 2.8× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 2.2 \cdot 10^{+14}:\\ \;\;\;\;im\_m \cdot \left(-\sin re\right)\\ \mathbf{else}:\\ \;\;\;\;-0.008333333333333333 \cdot \left(re \cdot {im\_m}^{5}\right)\\ \end{array} \end{array} \]

FPCore

im\_m = (fabs.f64 im)
im\_s = (copysign.f64 #s(literal 1 binary64) im)
(FPCore (im_s re im_m)
 :precision binary64
 (*
  im_s
  (if (<= im_m 2.2e+14)
    (* im_m (- (sin re)))
    (* -0.008333333333333333 (* re (pow im_m 5.0))))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 2.2e+14) {
		tmp = im_m * -sin(re);
	} else {
		tmp = -0.008333333333333333 * (re * pow(im_m, 5.0));
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: tmp
    if (im_m <= 2.2d+14) then
        tmp = im_m * -sin(re)
    else
        tmp = (-0.008333333333333333d0) * (re * (im_m ** 5.0d0))
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 2.2e+14) {
		tmp = im_m * -Math.sin(re);
	} else {
		tmp = -0.008333333333333333 * (re * Math.pow(im_m, 5.0));
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	tmp = 0
	if im_m <= 2.2e+14:
		tmp = im_m * -math.sin(re)
	else:
		tmp = -0.008333333333333333 * (re * math.pow(im_m, 5.0))
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	tmp = 0.0
	if (im_m <= 2.2e+14)
		tmp = Float64(im_m * Float64(-sin(re)));
	else
		tmp = Float64(-0.008333333333333333 * Float64(re * (im_m ^ 5.0)));
	end
	return Float64(im_s * tmp)
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp_2 = code(im_s, re, im_m)
	tmp = 0.0;
	if (im_m <= 2.2e+14)
		tmp = im_m * -sin(re);
	else
		tmp = -0.008333333333333333 * (re * (im_m ^ 5.0));
	end
	tmp_2 = im_s * tmp;
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := N[(im$95$s * If[LessEqual[im$95$m, 2.2e+14], N[(im$95$m * (-N[Sin[re], $MachinePrecision])), $MachinePrecision], N[(-0.008333333333333333 * N[(re * N[Power[im$95$m, 5.0], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]), $MachinePrecision]

Derivation

1. Split input into 2 regimes

2. if im < 2.2e14

   1. Initial program 52.8%

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

   3. Taylor expanded in im around 0 66.9%

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

      1. mul-1-neg 66.9%

         \[\leadsto \color{blue}{-im \cdot \sin re} \]

      2. distribute-rgt-neg-in 66.9%

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

   5. Simplified 66.9%

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

   if 2.2e14 < im

   1. Initial program 100.0%

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

   3. Taylor expanded in im around 0 85.5%

      \[\leadsto \left(0.5 \cdot \sin re\right) \cdot \color{blue}{\left(im \cdot \left({im}^{2} \cdot \left(-0.016666666666666666 \cdot {im}^{2} - 0.3333333333333333\right) - 2\right)\right)} \]

   4. Taylor expanded in im around inf 85.5%

      \[\leadsto \color{blue}{-0.008333333333333333 \cdot \left({im}^{5} \cdot \sin re\right)} \]

   5. Taylor expanded in re around 0 73.8%

      \[\leadsto -0.008333333333333333 \cdot \color{blue}{\left({im}^{5} \cdot re\right)} \]
3. Recombined 2 regimes into one program.

4. Final simplification 68.5%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 2.2 \cdot 10^{+14}:\\ \;\;\;\;im \cdot \left(-\sin re\right)\\ \mathbf{else}:\\ \;\;\;\;-0.008333333333333333 \cdot \left(re \cdot {im}^{5}\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 10: 59.0% accurate, 2.8× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;im\_m \leq 600:\\ \;\;\;\;im\_m \cdot \left(-\sin re\right)\\ \mathbf{elif}\;im\_m \leq 1.52 \cdot 10^{+206}:\\ \;\;\;\;im\_m \cdot \left(re \cdot \left(-1 - re \cdot \left(re \cdot -0.16666666666666666\right)\right)\right)\\ \mathbf{else}:\\ \;\;\;\;im\_m \cdot \left(-re\right)\\ \end{array} \end{array} \]

FPCore

im\_m = (fabs.f64 im)
im\_s = (copysign.f64 #s(literal 1 binary64) im)
(FPCore (im_s re im_m)
 :precision binary64
 (*
  im_s
  (if (<= im_m 600.0)
    (* im_m (- (sin re)))
    (if (<= im_m 1.52e+206)
      (* im_m (* re (- -1.0 (* re (* re -0.16666666666666666)))))
      (* im_m (- re))))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 600.0) {
		tmp = im_m * -sin(re);
	} else if (im_m <= 1.52e+206) {
		tmp = im_m * (re * (-1.0 - (re * (re * -0.16666666666666666))));
	} else {
		tmp = im_m * -re;
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: tmp
    if (im_m <= 600.0d0) then
        tmp = im_m * -sin(re)
    else if (im_m <= 1.52d+206) then
        tmp = im_m * (re * ((-1.0d0) - (re * (re * (-0.16666666666666666d0)))))
    else
        tmp = im_m * -re
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double tmp;
	if (im_m <= 600.0) {
		tmp = im_m * -Math.sin(re);
	} else if (im_m <= 1.52e+206) {
		tmp = im_m * (re * (-1.0 - (re * (re * -0.16666666666666666))));
	} else {
		tmp = im_m * -re;
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	tmp = 0
	if im_m <= 600.0:
		tmp = im_m * -math.sin(re)
	elif im_m <= 1.52e+206:
		tmp = im_m * (re * (-1.0 - (re * (re * -0.16666666666666666))))
	else:
		tmp = im_m * -re
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	tmp = 0.0
	if (im_m <= 600.0)
		tmp = Float64(im_m * Float64(-sin(re)));
	elseif (im_m <= 1.52e+206)
		tmp = Float64(im_m * Float64(re * Float64(-1.0 - Float64(re * Float64(re * -0.16666666666666666)))));
	else
		tmp = Float64(im_m * Float64(-re));
	end
	return Float64(im_s * tmp)
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp_2 = code(im_s, re, im_m)
	tmp = 0.0;
	if (im_m <= 600.0)
		tmp = im_m * -sin(re);
	elseif (im_m <= 1.52e+206)
		tmp = im_m * (re * (-1.0 - (re * (re * -0.16666666666666666))));
	else
		tmp = im_m * -re;
	end
	tmp_2 = im_s * tmp;
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := N[(im$95$s * If[LessEqual[im$95$m, 600.0], N[(im$95$m * (-N[Sin[re], $MachinePrecision])), $MachinePrecision], If[LessEqual[im$95$m, 1.52e+206], N[(im$95$m * N[(re * N[(-1.0 - N[(re * N[(re * -0.16666666666666666), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(im$95$m * (-re)), $MachinePrecision]]]), $MachinePrecision]

Derivation

1. Split input into 3 regimes

2. if im < 600

   1. Initial program 52.3%

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

   3. Taylor expanded in im around 0 67.5%

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

      1. mul-1-neg 67.5%

         \[\leadsto \color{blue}{-im \cdot \sin re} \]

      2. distribute-rgt-neg-in 67.5%

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

   5. Simplified 67.5%

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

   if 600 < im < 1.52e206

   1. Initial program 100.0%

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

   3. Taylor expanded in im around 0 3.3%

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

      1. mul-1-neg 3.3%

         \[\leadsto \color{blue}{-im \cdot \sin re} \]

      2. distribute-rgt-neg-in 3.3%

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

   5. Simplified 3.3%

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

   6. Taylor expanded in re around 0 9.4%

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

      1. unpow2 42.5%

         \[\leadsto \left(re \cdot \left(1 + -0.16666666666666666 \cdot \color{blue}{\left(re \cdot re\right)}\right)\right) \cdot \left({im}^{3} \cdot -0.16666666666666666 - im\right) \]

      2. associate-*r* 42.5%

         \[\leadsto \left(re \cdot \left(1 + \color{blue}{\left(-0.16666666666666666 \cdot re\right) \cdot re}\right)\right) \cdot \left({im}^{3} \cdot -0.16666666666666666 - im\right) \]

   8. Applied egg-rr 9.4%

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

   if 1.52e206 < im

   1. Initial program 100.0%

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

   3. Taylor expanded in im around 0 7.0%

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

      1. mul-1-neg 7.0%

         \[\leadsto \color{blue}{-im \cdot \sin re} \]

      2. distribute-rgt-neg-in 7.0%

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

   5. Simplified 7.0%

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

   6. Taylor expanded in re around 0 52.0%

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

      1. mul-1-neg 52.0%

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

      2. distribute-rgt-neg-in 52.0%

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

   8. Simplified 52.0%

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

4. Final simplification 56.4%

   \[\leadsto \begin{array}{l} \mathbf{if}\;im \leq 600:\\ \;\;\;\;im \cdot \left(-\sin re\right)\\ \mathbf{elif}\;im \leq 1.52 \cdot 10^{+206}:\\ \;\;\;\;im \cdot \left(re \cdot \left(-1 - re \cdot \left(re \cdot -0.16666666666666666\right)\right)\right)\\ \mathbf{else}:\\ \;\;\;\;im \cdot \left(-re\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 11: 35.8% accurate, 19.2× speedup

Math

\[\begin{array}{l} im\_m = \left|im\right| \\ im\_s = \mathsf{copysign}\left(1, im\right) \\ im\_s \cdot \begin{array}{l} \mathbf{if}\;re \leq 2.95 \cdot 10^{+156}:\\ \;\;\;\;im\_m \cdot \left(re \cdot \left(-1 - re \cdot \left(re \cdot -0.16666666666666666\right)\right)\right)\\ \mathbf{else}:\\ \;\;\;\;im\_m \cdot \left(-re\right)\\ \end{array} \end{array} \]

FPCore

im\_m = (fabs.f64 im)
im\_s = (copysign.f64 #s(literal 1 binary64) im)
(FPCore (im_s re im_m)
 :precision binary64
 (*
  im_s
  (if (<= re 2.95e+156)
    (* im_m (* re (- -1.0 (* re (* re -0.16666666666666666)))))
    (* im_m (- re)))))

C

im\_m = fabs(im);
im\_s = copysign(1.0, im);
double code(double im_s, double re, double im_m) {
	double tmp;
	if (re <= 2.95e+156) {
		tmp = im_m * (re * (-1.0 - (re * (re * -0.16666666666666666))));
	} else {
		tmp = im_m * -re;
	}
	return im_s * tmp;
}

Fortran

im\_m = abs(im)
im\_s = copysign(1.0d0, im)
real(8) function code(im_s, re, im_m)
    real(8), intent (in) :: im_s
    real(8), intent (in) :: re
    real(8), intent (in) :: im_m
    real(8) :: tmp
    if (re <= 2.95d+156) then
        tmp = im_m * (re * ((-1.0d0) - (re * (re * (-0.16666666666666666d0)))))
    else
        tmp = im_m * -re
    end if
    code = im_s * tmp
end function

Java

im\_m = Math.abs(im);
im\_s = Math.copySign(1.0, im);
public static double code(double im_s, double re, double im_m) {
	double tmp;
	if (re <= 2.95e+156) {
		tmp = im_m * (re * (-1.0 - (re * (re * -0.16666666666666666))));
	} else {
		tmp = im_m * -re;
	}
	return im_s * tmp;
}

Python

im\_m = math.fabs(im)
im\_s = math.copysign(1.0, im)
def code(im_s, re, im_m):
	tmp = 0
	if re <= 2.95e+156:
		tmp = im_m * (re * (-1.0 - (re * (re * -0.16666666666666666))))
	else:
		tmp = im_m * -re
	return im_s * tmp

Julia

im\_m = abs(im)
im\_s = copysign(1.0, im)
function code(im_s, re, im_m)
	tmp = 0.0
	if (re <= 2.95e+156)
		tmp = Float64(im_m * Float64(re * Float64(-1.0 - Float64(re * Float64(re * -0.16666666666666666)))));
	else
		tmp = Float64(im_m * Float64(-re));
	end
	return Float64(im_s * tmp)
end

MATLAB

im\_m = abs(im);
im\_s = sign(im) * abs(1.0);
function tmp_2 = code(im_s, re, im_m)
	tmp = 0.0;
	if (re <= 2.95e+156)
		tmp = im_m * (re * (-1.0 - (re * (re * -0.16666666666666666))));
	else
		tmp = im_m * -re;
	end
	tmp_2 = im_s * tmp;
end

Wolfram

im\_m = N[Abs[im], $MachinePrecision]
im\_s = N[With[{TMP1 = Abs[1.0], TMP2 = Sign[im]}, TMP1 * If[TMP2 == 0, 1, TMP2]], $MachinePrecision]
code[im$95$s_, re_, im$95$m_] := N[(im$95$s * If[LessEqual[re, 2.95e+156], N[(im$95$m * N[(re * N[(-1.0 - N[(re * N[(re * -0.16666666666666666), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(im$95$m * (-re)), $MachinePrecision]]), $MachinePrecision]

Derivation

1. Split input into 2 regimes

2. if re < 2.9499999999999998e156

   1. Initial program 65.2%

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

   3. Taylor expanded in im around 0 51.9%

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

      1. mul-1-neg 51.9%

         \[\leadsto \color{blue}{-im \cdot \sin re} \]

      2. distribute-rgt-neg-in 51.9%

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

   5. Simplified 51.9%

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

   6. Taylor expanded in re around 0 33.1%

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

      1. unpow2 53.1%

         \[\leadsto \left(re \cdot \left(1 + -0.16666666666666666 \cdot \color{blue}{\left(re \cdot re\right)}\right)\right) \cdot \left({im}^{3} \cdot -0.16666666666666666 - im\right) \]

      2. associate-*r* 53.1%

         \[\leadsto \left(re \cdot \left(1 + \color{blue}{\left(-0.16666666666666666 \cdot re\right) \cdot re}\right)\right) \cdot \left({im}^{3} \cdot -0.16666666666666666 - im\right) \]

   8. Applied egg-rr 33.1%

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

   if 2.9499999999999998e156 < re

   1. Initial program 53.6%

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

   3. Taylor expanded in im around 0 54.6%

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

      1. mul-1-neg 54.6%

         \[\leadsto \color{blue}{-im \cdot \sin re} \]

      2. distribute-rgt-neg-in 54.6%

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

   5. Simplified 54.6%

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

   6. Taylor expanded in re around 0 29.6%

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

      1. mul-1-neg 29.6%

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

      2. distribute-rgt-neg-in 29.6%

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

   8. Simplified 29.6%

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

4. Final simplification 32.7%

   \[\leadsto \begin{array}{l} \mathbf{if}\;re \leq 2.95 \cdot 10^{+156}:\\ \;\;\;\;im \cdot \left(re \cdot \left(-1 - re \cdot \left(re \cdot -0.16666666666666666\right)\right)\right)\\ \mathbf{else}:\\ \;\;\;\;im \cdot \left(-re\right)\\ \end{array} \]
5. Add Preprocessing

Alternative 12: 32.6% accurate, 77.0× speedup

Math

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

FPCore

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

C

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

Fortran

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

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

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

Derivation

1. Initial program 63.9%

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

3. Taylor expanded in im around 0 52.2%

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

   1. mul-1-neg 52.2%

      \[\leadsto \color{blue}{-im \cdot \sin re} \]

   2. distribute-rgt-neg-in 52.2%

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

5. Simplified 52.2%

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

6. Taylor expanded in re around 0 32.4%

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

   1. mul-1-neg 32.4%

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

   2. distribute-rgt-neg-in 32.4%

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

8. Simplified 32.4%

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

Developer target: 99.8% accurate, 0.7× speedup

Math

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

FPCore

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

C

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

Fortran

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

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

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

Reproduce

herbie shell --seed 2024096 
(FPCore (re im)
  :name "math.cos on complex, imaginary part"
  :precision binary64

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

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