FastMath test3

Percentage Accurate: 97.8% → 100.0%

Time: 5.4s

Alternatives: 7

Speedup: 1.6×

• 21.2% of points produce a very large (infinite) output. You may want to add a precondition.

Specification

Math

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

FPCore

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

C

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

Fortran

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

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

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

Initial Program: 97.8% accurate, 1.0× speedup

Math

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

FPCore

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

C

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

Fortran

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

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

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

Alternative 1: 100.0% accurate, 0.1× speedup

Math

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

FPCore

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

C

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

Julia

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

Wolfram

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

Derivation

1. Initial program 97.9%

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

   1. distribute-lft-out 98.0%

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

   2. distribute-lft-out 99.9%

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

3. Simplified 99.9%

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

   1. associate-+l+ 99.9%

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

   2. distribute-lft-in 99.9%

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

   3. fma-define 100.0%

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

6. Applied egg-rr 100.0%

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

Alternative 2: 52.0% accurate, 0.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;d3 \leq 9 \cdot 10^{-279}:\\ \;\;\;\;d1 \cdot d2\\ \mathbf{elif}\;d3 \leq 3:\\ \;\;\;\;d1 \cdot 3\\ \mathbf{else}:\\ \;\;\;\;d1 \cdot d3\\ \end{array} \end{array} \]

FPCore

(FPCore (d1 d2 d3)
 :precision binary64
 (if (<= d3 9e-279) (* d1 d2) (if (<= d3 3.0) (* d1 3.0) (* d1 d3))))

C

double code(double d1, double d2, double d3) {
	double tmp;
	if (d3 <= 9e-279) {
		tmp = d1 * d2;
	} else if (d3 <= 3.0) {
		tmp = d1 * 3.0;
	} else {
		tmp = d1 * d3;
	}
	return tmp;
}

Fortran

real(8) function code(d1, d2, d3)
    real(8), intent (in) :: d1
    real(8), intent (in) :: d2
    real(8), intent (in) :: d3
    real(8) :: tmp
    if (d3 <= 9d-279) then
        tmp = d1 * d2
    else if (d3 <= 3.0d0) then
        tmp = d1 * 3.0d0
    else
        tmp = d1 * d3
    end if
    code = tmp
end function

Java

public static double code(double d1, double d2, double d3) {
	double tmp;
	if (d3 <= 9e-279) {
		tmp = d1 * d2;
	} else if (d3 <= 3.0) {
		tmp = d1 * 3.0;
	} else {
		tmp = d1 * d3;
	}
	return tmp;
}

Python

def code(d1, d2, d3):
	tmp = 0
	if d3 <= 9e-279:
		tmp = d1 * d2
	elif d3 <= 3.0:
		tmp = d1 * 3.0
	else:
		tmp = d1 * d3
	return tmp

Julia

function code(d1, d2, d3)
	tmp = 0.0
	if (d3 <= 9e-279)
		tmp = Float64(d1 * d2);
	elseif (d3 <= 3.0)
		tmp = Float64(d1 * 3.0);
	else
		tmp = Float64(d1 * d3);
	end
	return tmp
end

MATLAB

function tmp_2 = code(d1, d2, d3)
	tmp = 0.0;
	if (d3 <= 9e-279)
		tmp = d1 * d2;
	elseif (d3 <= 3.0)
		tmp = d1 * 3.0;
	else
		tmp = d1 * d3;
	end
	tmp_2 = tmp;
end

Wolfram

code[d1_, d2_, d3_] := If[LessEqual[d3, 9e-279], N[(d1 * d2), $MachinePrecision], If[LessEqual[d3, 3.0], N[(d1 * 3.0), $MachinePrecision], N[(d1 * d3), $MachinePrecision]]]

Derivation

1. Split input into 3 regimes

2. if d3 < 8.99999999999999991e-279

   1. Initial program 98.4%

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

      1. distribute-lft-out 98.5%

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

      2. distribute-lft-out 99.9%

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

   3. Simplified 99.9%

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

   5. Taylor expanded in d2 around inf 41.8%

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

   if 8.99999999999999991e-279 < d3 < 3

   1. Initial program 99.8%

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

      1. distribute-lft-out 99.9%

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

      2. distribute-lft-out 99.9%

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

   3. Simplified 99.9%

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

   5. Taylor expanded in d3 around 0 98.2%

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

   6. Taylor expanded in d2 around 0 50.9%

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

      1. *-commutative 50.9%

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

   8. Simplified 50.9%

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

   if 3 < d3

   1. Initial program 94.5%

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

      1. distribute-lft-out 94.5%

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

      2. distribute-lft-out 100.0%

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

   3. Simplified 100.0%

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

   5. Taylor expanded in d3 around inf 80.5%

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

Alternative 3: 76.0% accurate, 1.1× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;d2 \leq -1.5 \cdot 10^{-11}:\\ \;\;\;\;d1 \cdot \left(3 + d2\right)\\ \mathbf{else}:\\ \;\;\;\;d1 \cdot \left(3 + d3\right)\\ \end{array} \end{array} \]

FPCore

(FPCore (d1 d2 d3)
 :precision binary64
 (if (<= d2 -1.5e-11) (* d1 (+ 3.0 d2)) (* d1 (+ 3.0 d3))))

C

double code(double d1, double d2, double d3) {
	double tmp;
	if (d2 <= -1.5e-11) {
		tmp = d1 * (3.0 + d2);
	} else {
		tmp = d1 * (3.0 + d3);
	}
	return tmp;
}

Fortran

real(8) function code(d1, d2, d3)
    real(8), intent (in) :: d1
    real(8), intent (in) :: d2
    real(8), intent (in) :: d3
    real(8) :: tmp
    if (d2 <= (-1.5d-11)) then
        tmp = d1 * (3.0d0 + d2)
    else
        tmp = d1 * (3.0d0 + d3)
    end if
    code = tmp
end function

Java

public static double code(double d1, double d2, double d3) {
	double tmp;
	if (d2 <= -1.5e-11) {
		tmp = d1 * (3.0 + d2);
	} else {
		tmp = d1 * (3.0 + d3);
	}
	return tmp;
}

Python

def code(d1, d2, d3):
	tmp = 0
	if d2 <= -1.5e-11:
		tmp = d1 * (3.0 + d2)
	else:
		tmp = d1 * (3.0 + d3)
	return tmp

Julia

function code(d1, d2, d3)
	tmp = 0.0
	if (d2 <= -1.5e-11)
		tmp = Float64(d1 * Float64(3.0 + d2));
	else
		tmp = Float64(d1 * Float64(3.0 + d3));
	end
	return tmp
end

MATLAB

function tmp_2 = code(d1, d2, d3)
	tmp = 0.0;
	if (d2 <= -1.5e-11)
		tmp = d1 * (3.0 + d2);
	else
		tmp = d1 * (3.0 + d3);
	end
	tmp_2 = tmp;
end

Wolfram

code[d1_, d2_, d3_] := If[LessEqual[d2, -1.5e-11], N[(d1 * N[(3.0 + d2), $MachinePrecision]), $MachinePrecision], N[(d1 * N[(3.0 + d3), $MachinePrecision]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if d2 < -1.5e-11

   1. Initial program 95.8%

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

      1. distribute-lft-out 95.9%

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

      2. distribute-lft-out 100.0%

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

   3. Simplified 100.0%

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

   5. Taylor expanded in d3 around 0 78.8%

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

   if -1.5e-11 < d2

   1. Initial program 98.8%

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

      1. distribute-lft-out 98.8%

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

      2. distribute-lft-out 99.9%

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

   3. Simplified 99.9%

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

   5. Taylor expanded in d2 around 0 77.9%

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

Alternative 4: 75.5% accurate, 1.1× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;d3 \leq 2.8 \cdot 10^{+20}:\\ \;\;\;\;d1 \cdot \left(3 + d2\right)\\ \mathbf{else}:\\ \;\;\;\;d1 \cdot d3\\ \end{array} \end{array} \]

FPCore

(FPCore (d1 d2 d3)
 :precision binary64
 (if (<= d3 2.8e+20) (* d1 (+ 3.0 d2)) (* d1 d3)))

C

double code(double d1, double d2, double d3) {
	double tmp;
	if (d3 <= 2.8e+20) {
		tmp = d1 * (3.0 + d2);
	} else {
		tmp = d1 * d3;
	}
	return tmp;
}

Fortran

real(8) function code(d1, d2, d3)
    real(8), intent (in) :: d1
    real(8), intent (in) :: d2
    real(8), intent (in) :: d3
    real(8) :: tmp
    if (d3 <= 2.8d+20) then
        tmp = d1 * (3.0d0 + d2)
    else
        tmp = d1 * d3
    end if
    code = tmp
end function

Java

public static double code(double d1, double d2, double d3) {
	double tmp;
	if (d3 <= 2.8e+20) {
		tmp = d1 * (3.0 + d2);
	} else {
		tmp = d1 * d3;
	}
	return tmp;
}

Python

def code(d1, d2, d3):
	tmp = 0
	if d3 <= 2.8e+20:
		tmp = d1 * (3.0 + d2)
	else:
		tmp = d1 * d3
	return tmp

Julia

function code(d1, d2, d3)
	tmp = 0.0
	if (d3 <= 2.8e+20)
		tmp = Float64(d1 * Float64(3.0 + d2));
	else
		tmp = Float64(d1 * d3);
	end
	return tmp
end

MATLAB

function tmp_2 = code(d1, d2, d3)
	tmp = 0.0;
	if (d3 <= 2.8e+20)
		tmp = d1 * (3.0 + d2);
	else
		tmp = d1 * d3;
	end
	tmp_2 = tmp;
end

Wolfram

code[d1_, d2_, d3_] := If[LessEqual[d3, 2.8e+20], N[(d1 * N[(3.0 + d2), $MachinePrecision]), $MachinePrecision], N[(d1 * d3), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if d3 < 2.8e20

   1. Initial program 98.9%

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

      1. distribute-lft-out 98.9%

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

      2. distribute-lft-out 99.9%

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

   3. Simplified 99.9%

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

   5. Taylor expanded in d3 around 0 72.2%

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

   if 2.8e20 < d3

   1. Initial program 94.1%

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

      1. distribute-lft-out 94.1%

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

      2. distribute-lft-out 100.0%

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

   3. Simplified 100.0%

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

   5. Taylor expanded in d3 around inf 85.1%

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

Alternative 5: 44.8% accurate, 1.4× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;d2 \leq -520:\\ \;\;\;\;d1 \cdot d2\\ \mathbf{else}:\\ \;\;\;\;d1 \cdot 3\\ \end{array} \end{array} \]

FPCore

(FPCore (d1 d2 d3)
 :precision binary64
 (if (<= d2 -520.0) (* d1 d2) (* d1 3.0)))

C

double code(double d1, double d2, double d3) {
	double tmp;
	if (d2 <= -520.0) {
		tmp = d1 * d2;
	} else {
		tmp = d1 * 3.0;
	}
	return tmp;
}

Fortran

real(8) function code(d1, d2, d3)
    real(8), intent (in) :: d1
    real(8), intent (in) :: d2
    real(8), intent (in) :: d3
    real(8) :: tmp
    if (d2 <= (-520.0d0)) then
        tmp = d1 * d2
    else
        tmp = d1 * 3.0d0
    end if
    code = tmp
end function

Java

public static double code(double d1, double d2, double d3) {
	double tmp;
	if (d2 <= -520.0) {
		tmp = d1 * d2;
	} else {
		tmp = d1 * 3.0;
	}
	return tmp;
}

Python

def code(d1, d2, d3):
	tmp = 0
	if d2 <= -520.0:
		tmp = d1 * d2
	else:
		tmp = d1 * 3.0
	return tmp

Julia

function code(d1, d2, d3)
	tmp = 0.0
	if (d2 <= -520.0)
		tmp = Float64(d1 * d2);
	else
		tmp = Float64(d1 * 3.0);
	end
	return tmp
end

MATLAB

function tmp_2 = code(d1, d2, d3)
	tmp = 0.0;
	if (d2 <= -520.0)
		tmp = d1 * d2;
	else
		tmp = d1 * 3.0;
	end
	tmp_2 = tmp;
end

Wolfram

code[d1_, d2_, d3_] := If[LessEqual[d2, -520.0], N[(d1 * d2), $MachinePrecision], N[(d1 * 3.0), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if d2 < -520

   1. Initial program 95.7%

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

      1. distribute-lft-out 95.7%

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

      2. distribute-lft-out 100.0%

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

   3. Simplified 100.0%

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

   5. Taylor expanded in d2 around inf 77.5%

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

   if -520 < d2

   1. Initial program 98.8%

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

      1. distribute-lft-out 98.8%

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

      2. distribute-lft-out 99.9%

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

   3. Simplified 99.9%

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

   5. Taylor expanded in d3 around 0 55.6%

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

   6. Taylor expanded in d2 around 0 32.9%

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

      1. *-commutative 32.9%

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

   8. Simplified 32.9%

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

Alternative 6: 99.9% accurate, 1.6× speedup

Math

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

FPCore

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

C

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

Fortran

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

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

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

Derivation

1. Initial program 97.9%

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

   1. distribute-lft-out 98.0%

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

   2. distribute-lft-out 99.9%

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

3. Simplified 99.9%

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

5. Final simplification 99.9%

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

Alternative 7: 26.0% accurate, 3.7× speedup

Math

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

FPCore

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

C

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

Fortran

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

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

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

Derivation

1. Initial program 97.9%

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

   1. distribute-lft-out 98.0%

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

   2. distribute-lft-out 99.9%

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

3. Simplified 99.9%

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

5. Taylor expanded in d3 around 0 62.0%

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

6. Taylor expanded in d2 around 0 24.4%

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

   1. *-commutative 24.4%

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

8. Simplified 24.4%

   \[\leadsto \color{blue}{d1 \cdot 3} \]
9. Add Preprocessing

Developer target: 99.9% accurate, 1.6× speedup

Math

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

FPCore

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

C

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

Fortran

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

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

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

Reproduce

herbie shell --seed 2024103 
(FPCore (d1 d2 d3)
  :name "FastMath test3"
  :precision binary64

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

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