Diagrams.Solve.Polynomial:cubForm from diagrams-solve-0.1, D

Percentage Accurate: 98.0% → 99.5%

Time: 17.2s

Alternatives: 7

Speedup: 1.1×

Specification

Math

\[\begin{array}{l} \\ \frac{1}{3} \cdot \cos^{-1} \left(\frac{3 \cdot \frac{x}{y \cdot 27}}{z \cdot 2} \cdot \sqrt{t}\right) \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (* (/ 1.0 3.0) (acos (* (/ (* 3.0 (/ x (* y 27.0))) (* z 2.0)) (sqrt t)))))

C

double code(double x, double y, double z, double t) {
	return (1.0 / 3.0) * acos((((3.0 * (x / (y * 27.0))) / (z * 2.0)) * sqrt(t)));
}

Fortran

real(8) function code(x, y, z, t)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    code = (1.0d0 / 3.0d0) * acos((((3.0d0 * (x / (y * 27.0d0))) / (z * 2.0d0)) * sqrt(t)))
end function

Java

public static double code(double x, double y, double z, double t) {
	return (1.0 / 3.0) * Math.acos((((3.0 * (x / (y * 27.0))) / (z * 2.0)) * Math.sqrt(t)));
}

Python

def code(x, y, z, t):
	return (1.0 / 3.0) * math.acos((((3.0 * (x / (y * 27.0))) / (z * 2.0)) * math.sqrt(t)))

Julia

function code(x, y, z, t)
	return Float64(Float64(1.0 / 3.0) * acos(Float64(Float64(Float64(3.0 * Float64(x / Float64(y * 27.0))) / Float64(z * 2.0)) * sqrt(t))))
end

MATLAB

function tmp = code(x, y, z, t)
	tmp = (1.0 / 3.0) * acos((((3.0 * (x / (y * 27.0))) / (z * 2.0)) * sqrt(t)));
end

Wolfram

code[x_, y_, z_, t_] := N[(N[(1.0 / 3.0), $MachinePrecision] * N[ArcCos[N[(N[(N[(3.0 * N[(x / N[(y * 27.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] / N[(z * 2.0), $MachinePrecision]), $MachinePrecision] * N[Sqrt[t], $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]

Initial Program: 98.0% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \frac{1}{3} \cdot \cos^{-1} \left(\frac{3 \cdot \frac{x}{y \cdot 27}}{z \cdot 2} \cdot \sqrt{t}\right) \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (* (/ 1.0 3.0) (acos (* (/ (* 3.0 (/ x (* y 27.0))) (* z 2.0)) (sqrt t)))))

C

double code(double x, double y, double z, double t) {
	return (1.0 / 3.0) * acos((((3.0 * (x / (y * 27.0))) / (z * 2.0)) * sqrt(t)));
}

Fortran

real(8) function code(x, y, z, t)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    code = (1.0d0 / 3.0d0) * acos((((3.0d0 * (x / (y * 27.0d0))) / (z * 2.0d0)) * sqrt(t)))
end function

Java

public static double code(double x, double y, double z, double t) {
	return (1.0 / 3.0) * Math.acos((((3.0 * (x / (y * 27.0))) / (z * 2.0)) * Math.sqrt(t)));
}

Python

def code(x, y, z, t):
	return (1.0 / 3.0) * math.acos((((3.0 * (x / (y * 27.0))) / (z * 2.0)) * math.sqrt(t)))

Julia

function code(x, y, z, t)
	return Float64(Float64(1.0 / 3.0) * acos(Float64(Float64(Float64(3.0 * Float64(x / Float64(y * 27.0))) / Float64(z * 2.0)) * sqrt(t))))
end

MATLAB

function tmp = code(x, y, z, t)
	tmp = (1.0 / 3.0) * acos((((3.0 * (x / (y * 27.0))) / (z * 2.0)) * sqrt(t)));
end

Wolfram

code[x_, y_, z_, t_] := N[(N[(1.0 / 3.0), $MachinePrecision] * N[ArcCos[N[(N[(N[(3.0 * N[(x / N[(y * 27.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] / N[(z * 2.0), $MachinePrecision]), $MachinePrecision] * N[Sqrt[t], $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]

Alternative 1: 99.5% accurate, 0.5× speedup

Math

\[\begin{array}{l} \\ 0.3333333333333333 \cdot \sqrt[3]{{\cos^{-1} \left(\frac{x}{y \cdot z} \cdot \left(0.05555555555555555 \cdot \sqrt{t}\right)\right)}^{3}} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (*
  0.3333333333333333
  (cbrt (pow (acos (* (/ x (* y z)) (* 0.05555555555555555 (sqrt t)))) 3.0))))

C

double code(double x, double y, double z, double t) {
	return 0.3333333333333333 * cbrt(pow(acos(((x / (y * z)) * (0.05555555555555555 * sqrt(t)))), 3.0));
}

Java

public static double code(double x, double y, double z, double t) {
	return 0.3333333333333333 * Math.cbrt(Math.pow(Math.acos(((x / (y * z)) * (0.05555555555555555 * Math.sqrt(t)))), 3.0));
}

Julia

function code(x, y, z, t)
	return Float64(0.3333333333333333 * cbrt((acos(Float64(Float64(x / Float64(y * z)) * Float64(0.05555555555555555 * sqrt(t)))) ^ 3.0)))
end

Wolfram

code[x_, y_, z_, t_] := N[(0.3333333333333333 * N[Power[N[Power[N[ArcCos[N[(N[(x / N[(y * z), $MachinePrecision]), $MachinePrecision] * N[(0.05555555555555555 * N[Sqrt[t], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision], 3.0], $MachinePrecision], 1/3], $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 97.8%

   \[\frac{1}{3} \cdot \cos^{-1} \left(\frac{3 \cdot \frac{x}{y \cdot 27}}{z \cdot 2} \cdot \sqrt{t}\right) \]

3. Simplified 98.1%

   \[\leadsto \color{blue}{0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)} \]
4. Add Preprocessing
5. Step-by-step derivation

   1. add-cbrt-cube 99.6%

      \[\leadsto 0.3333333333333333 \cdot \color{blue}{\sqrt[3]{\left(\cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right) \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)\right) \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)}} \]

   2. pow3 99.6%

      \[\leadsto 0.3333333333333333 \cdot \sqrt[3]{\color{blue}{{\cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)}^{3}}} \]

   3. *-commutative 99.6%

      \[\leadsto 0.3333333333333333 \cdot \sqrt[3]{{\cos^{-1} \left(\color{blue}{\left(\frac{\frac{x}{y}}{z} \cdot 0.05555555555555555\right)} \cdot \sqrt{t}\right)}^{3}} \]

   4. associate-*l* 99.6%

      \[\leadsto 0.3333333333333333 \cdot \sqrt[3]{{\cos^{-1} \color{blue}{\left(\frac{\frac{x}{y}}{z} \cdot \left(0.05555555555555555 \cdot \sqrt{t}\right)\right)}}^{3}} \]

   5. associate-/l/ 99.7%

      \[\leadsto 0.3333333333333333 \cdot \sqrt[3]{{\cos^{-1} \left(\color{blue}{\frac{x}{z \cdot y}} \cdot \left(0.05555555555555555 \cdot \sqrt{t}\right)\right)}^{3}} \]

   6. *-commutative 99.7%

      \[\leadsto 0.3333333333333333 \cdot \sqrt[3]{{\cos^{-1} \left(\frac{x}{\color{blue}{y \cdot z}} \cdot \left(0.05555555555555555 \cdot \sqrt{t}\right)\right)}^{3}} \]

6. Applied egg-rr 99.7%

   \[\leadsto 0.3333333333333333 \cdot \color{blue}{\sqrt[3]{{\cos^{-1} \left(\frac{x}{y \cdot z} \cdot \left(0.05555555555555555 \cdot \sqrt{t}\right)\right)}^{3}}} \]
7. Add Preprocessing

Alternative 2: 98.4% accurate, 0.7× speedup

Math

\[\begin{array}{l} \\ -1 + \mathsf{fma}\left(0.3333333333333333, \cos^{-1} \left(\frac{\sqrt{t} \cdot \left(x \cdot 0.05555555555555555\right)}{y \cdot z}\right), 1\right) \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (+
  -1.0
  (fma
   0.3333333333333333
   (acos (/ (* (sqrt t) (* x 0.05555555555555555)) (* y z)))
   1.0)))

C

double code(double x, double y, double z, double t) {
	return -1.0 + fma(0.3333333333333333, acos(((sqrt(t) * (x * 0.05555555555555555)) / (y * z))), 1.0);
}

Julia

function code(x, y, z, t)
	return Float64(-1.0 + fma(0.3333333333333333, acos(Float64(Float64(sqrt(t) * Float64(x * 0.05555555555555555)) / Float64(y * z))), 1.0))
end

Wolfram

code[x_, y_, z_, t_] := N[(-1.0 + N[(0.3333333333333333 * N[ArcCos[N[(N[(N[Sqrt[t], $MachinePrecision] * N[(x * 0.05555555555555555), $MachinePrecision]), $MachinePrecision] / N[(y * z), $MachinePrecision]), $MachinePrecision]], $MachinePrecision] + 1.0), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 97.8%

   \[\frac{1}{3} \cdot \cos^{-1} \left(\frac{3 \cdot \frac{x}{y \cdot 27}}{z \cdot 2} \cdot \sqrt{t}\right) \]

3. Simplified 98.1%

   \[\leadsto \color{blue}{0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)} \]
4. Add Preprocessing
5. Step-by-step derivation

   1. clear-num 98.1%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \color{blue}{\frac{1}{\frac{z}{\frac{x}{y}}}}\right) \cdot \sqrt{t}\right) \]

   2. un-div-inv 98.1%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\color{blue}{\frac{0.05555555555555555}{\frac{z}{\frac{x}{y}}}} \cdot \sqrt{t}\right) \]

   3. div-inv 97.9%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{0.05555555555555555}{\color{blue}{z \cdot \frac{1}{\frac{x}{y}}}} \cdot \sqrt{t}\right) \]

   4. clear-num 98.3%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{0.05555555555555555}{z \cdot \color{blue}{\frac{y}{x}}} \cdot \sqrt{t}\right) \]

6. Applied egg-rr 98.3%

   \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\color{blue}{\frac{0.05555555555555555}{z \cdot \frac{y}{x}}} \cdot \sqrt{t}\right) \]
7. Step-by-step derivation

   1. expm1-log1p-u 98.3%

      \[\leadsto \color{blue}{\mathsf{expm1}\left(\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\frac{0.05555555555555555}{z \cdot \frac{y}{x}} \cdot \sqrt{t}\right)\right)\right)} \]

   2. expm1-undefine 99.8%

      \[\leadsto \color{blue}{e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\frac{0.05555555555555555}{z \cdot \frac{y}{x}} \cdot \sqrt{t}\right)\right)} - 1} \]

   3. metadata-eval 99.8%

      \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\frac{\color{blue}{1 \cdot 0.05555555555555555}}{z \cdot \frac{y}{x}} \cdot \sqrt{t}\right)\right)} - 1 \]

   4. associate-*l/ 99.8%

      \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\color{blue}{\left(\frac{1}{z \cdot \frac{y}{x}} \cdot 0.05555555555555555\right)} \cdot \sqrt{t}\right)\right)} - 1 \]

   5. associate-*r/ 99.7%

      \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\left(\frac{1}{\color{blue}{\frac{z \cdot y}{x}}} \cdot 0.05555555555555555\right) \cdot \sqrt{t}\right)\right)} - 1 \]

   6. *-commutative 99.7%

      \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\left(\frac{1}{\frac{\color{blue}{y \cdot z}}{x}} \cdot 0.05555555555555555\right) \cdot \sqrt{t}\right)\right)} - 1 \]

   7. clear-num 99.7%

      \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\left(\color{blue}{\frac{x}{y \cdot z}} \cdot 0.05555555555555555\right) \cdot \sqrt{t}\right)\right)} - 1 \]

   8. associate-*l/ 99.7%

      \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\color{blue}{\frac{x \cdot 0.05555555555555555}{y \cdot z}} \cdot \sqrt{t}\right)\right)} - 1 \]

   9. *-commutative 99.7%

      \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\frac{x \cdot 0.05555555555555555}{\color{blue}{z \cdot y}} \cdot \sqrt{t}\right)\right)} - 1 \]

8. Applied egg-rr 99.7%

   \[\leadsto \color{blue}{e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)\right)} - 1} \]
9. Step-by-step derivation

   1. sub-neg 99.7%

      \[\leadsto \color{blue}{e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)\right)} + \left(-1\right)} \]

   2. metadata-eval 99.7%

      \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)\right)} + \color{blue}{-1} \]

   3. +-commutative 99.7%

      \[\leadsto \color{blue}{-1 + e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)\right)}} \]

   4. log1p-undefine 97.3%

      \[\leadsto -1 + e^{\color{blue}{\log \left(1 + 0.3333333333333333 \cdot \cos^{-1} \left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)\right)}} \]

   5. rem-exp-log 97.3%

      \[\leadsto -1 + \color{blue}{\left(1 + 0.3333333333333333 \cdot \cos^{-1} \left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)\right)} \]

   6. +-commutative 97.3%

      \[\leadsto -1 + \color{blue}{\left(0.3333333333333333 \cdot \cos^{-1} \left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right) + 1\right)} \]

   7. fma-define 99.7%

      \[\leadsto -1 + \color{blue}{\mathsf{fma}\left(0.3333333333333333, \cos^{-1} \left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right), 1\right)} \]

   8. *-commutative 99.7%

      \[\leadsto -1 + \mathsf{fma}\left(0.3333333333333333, \cos^{-1} \color{blue}{\left(\sqrt{t} \cdot \frac{x \cdot 0.05555555555555555}{z \cdot y}\right)}, 1\right) \]

   9. times-frac 99.3%

      \[\leadsto -1 + \mathsf{fma}\left(0.3333333333333333, \cos^{-1} \left(\sqrt{t} \cdot \color{blue}{\left(\frac{x}{z} \cdot \frac{0.05555555555555555}{y}\right)}\right), 1\right) \]

10. Simplified 99.3%

    \[\leadsto \color{blue}{-1 + \mathsf{fma}\left(0.3333333333333333, \cos^{-1} \left(\sqrt{t} \cdot \left(\frac{x}{z} \cdot \frac{0.05555555555555555}{y}\right)\right), 1\right)} \]
11. Step-by-step derivation

    1. *-commutative 99.3%

       \[\leadsto -1 + \mathsf{fma}\left(0.3333333333333333, \cos^{-1} \color{blue}{\left(\left(\frac{x}{z} \cdot \frac{0.05555555555555555}{y}\right) \cdot \sqrt{t}\right)}, 1\right) \]

    2. frac-times 99.7%

       \[\leadsto -1 + \mathsf{fma}\left(0.3333333333333333, \cos^{-1} \left(\color{blue}{\frac{x \cdot 0.05555555555555555}{z \cdot y}} \cdot \sqrt{t}\right), 1\right) \]

    3. associate-*l/ 99.6%

       \[\leadsto -1 + \mathsf{fma}\left(0.3333333333333333, \cos^{-1} \color{blue}{\left(\frac{\left(x \cdot 0.05555555555555555\right) \cdot \sqrt{t}}{z \cdot y}\right)}, 1\right) \]

12. Applied egg-rr 99.6%

    \[\leadsto -1 + \mathsf{fma}\left(0.3333333333333333, \cos^{-1} \color{blue}{\left(\frac{\left(x \cdot 0.05555555555555555\right) \cdot \sqrt{t}}{z \cdot y}\right)}, 1\right) \]

13. Final simplification 99.6%

    \[\leadsto -1 + \mathsf{fma}\left(0.3333333333333333, \cos^{-1} \left(\frac{\sqrt{t} \cdot \left(x \cdot 0.05555555555555555\right)}{y \cdot z}\right), 1\right) \]
14. Add Preprocessing

Alternative 3: 99.5% accurate, 0.7× speedup

Math

\[\begin{array}{l} \\ -1 + \mathsf{fma}\left(0.3333333333333333, \cos^{-1} \left(\sqrt{t} \cdot \left(\frac{x}{z} \cdot \frac{0.05555555555555555}{y}\right)\right), 1\right) \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (+
  -1.0
  (fma
   0.3333333333333333
   (acos (* (sqrt t) (* (/ x z) (/ 0.05555555555555555 y))))
   1.0)))

C

double code(double x, double y, double z, double t) {
	return -1.0 + fma(0.3333333333333333, acos((sqrt(t) * ((x / z) * (0.05555555555555555 / y)))), 1.0);
}

Julia

function code(x, y, z, t)
	return Float64(-1.0 + fma(0.3333333333333333, acos(Float64(sqrt(t) * Float64(Float64(x / z) * Float64(0.05555555555555555 / y)))), 1.0))
end

Wolfram

code[x_, y_, z_, t_] := N[(-1.0 + N[(0.3333333333333333 * N[ArcCos[N[(N[Sqrt[t], $MachinePrecision] * N[(N[(x / z), $MachinePrecision] * N[(0.05555555555555555 / y), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision] + 1.0), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 97.8%

   \[\frac{1}{3} \cdot \cos^{-1} \left(\frac{3 \cdot \frac{x}{y \cdot 27}}{z \cdot 2} \cdot \sqrt{t}\right) \]

3. Simplified 98.1%

   \[\leadsto \color{blue}{0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)} \]
4. Add Preprocessing
5. Step-by-step derivation

   1. clear-num 98.1%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \color{blue}{\frac{1}{\frac{z}{\frac{x}{y}}}}\right) \cdot \sqrt{t}\right) \]

   2. un-div-inv 98.1%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\color{blue}{\frac{0.05555555555555555}{\frac{z}{\frac{x}{y}}}} \cdot \sqrt{t}\right) \]

   3. div-inv 97.9%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{0.05555555555555555}{\color{blue}{z \cdot \frac{1}{\frac{x}{y}}}} \cdot \sqrt{t}\right) \]

   4. clear-num 98.3%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{0.05555555555555555}{z \cdot \color{blue}{\frac{y}{x}}} \cdot \sqrt{t}\right) \]

6. Applied egg-rr 98.3%

   \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\color{blue}{\frac{0.05555555555555555}{z \cdot \frac{y}{x}}} \cdot \sqrt{t}\right) \]
7. Step-by-step derivation

   1. expm1-log1p-u 98.3%

      \[\leadsto \color{blue}{\mathsf{expm1}\left(\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\frac{0.05555555555555555}{z \cdot \frac{y}{x}} \cdot \sqrt{t}\right)\right)\right)} \]

   2. expm1-undefine 99.8%

      \[\leadsto \color{blue}{e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\frac{0.05555555555555555}{z \cdot \frac{y}{x}} \cdot \sqrt{t}\right)\right)} - 1} \]

   3. metadata-eval 99.8%

      \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\frac{\color{blue}{1 \cdot 0.05555555555555555}}{z \cdot \frac{y}{x}} \cdot \sqrt{t}\right)\right)} - 1 \]

   4. associate-*l/ 99.8%

      \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\color{blue}{\left(\frac{1}{z \cdot \frac{y}{x}} \cdot 0.05555555555555555\right)} \cdot \sqrt{t}\right)\right)} - 1 \]

   5. associate-*r/ 99.7%

      \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\left(\frac{1}{\color{blue}{\frac{z \cdot y}{x}}} \cdot 0.05555555555555555\right) \cdot \sqrt{t}\right)\right)} - 1 \]

   6. *-commutative 99.7%

      \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\left(\frac{1}{\frac{\color{blue}{y \cdot z}}{x}} \cdot 0.05555555555555555\right) \cdot \sqrt{t}\right)\right)} - 1 \]

   7. clear-num 99.7%

      \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\left(\color{blue}{\frac{x}{y \cdot z}} \cdot 0.05555555555555555\right) \cdot \sqrt{t}\right)\right)} - 1 \]

   8. associate-*l/ 99.7%

      \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\color{blue}{\frac{x \cdot 0.05555555555555555}{y \cdot z}} \cdot \sqrt{t}\right)\right)} - 1 \]

   9. *-commutative 99.7%

      \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\frac{x \cdot 0.05555555555555555}{\color{blue}{z \cdot y}} \cdot \sqrt{t}\right)\right)} - 1 \]

8. Applied egg-rr 99.7%

   \[\leadsto \color{blue}{e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)\right)} - 1} \]
9. Step-by-step derivation

   1. sub-neg 99.7%

      \[\leadsto \color{blue}{e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)\right)} + \left(-1\right)} \]

   2. metadata-eval 99.7%

      \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)\right)} + \color{blue}{-1} \]

   3. +-commutative 99.7%

      \[\leadsto \color{blue}{-1 + e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)\right)}} \]

   4. log1p-undefine 97.3%

      \[\leadsto -1 + e^{\color{blue}{\log \left(1 + 0.3333333333333333 \cdot \cos^{-1} \left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)\right)}} \]

   5. rem-exp-log 97.3%

      \[\leadsto -1 + \color{blue}{\left(1 + 0.3333333333333333 \cdot \cos^{-1} \left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)\right)} \]

   6. +-commutative 97.3%

      \[\leadsto -1 + \color{blue}{\left(0.3333333333333333 \cdot \cos^{-1} \left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right) + 1\right)} \]

   7. fma-define 99.7%

      \[\leadsto -1 + \color{blue}{\mathsf{fma}\left(0.3333333333333333, \cos^{-1} \left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right), 1\right)} \]

   8. *-commutative 99.7%

      \[\leadsto -1 + \mathsf{fma}\left(0.3333333333333333, \cos^{-1} \color{blue}{\left(\sqrt{t} \cdot \frac{x \cdot 0.05555555555555555}{z \cdot y}\right)}, 1\right) \]

   9. times-frac 99.3%

      \[\leadsto -1 + \mathsf{fma}\left(0.3333333333333333, \cos^{-1} \left(\sqrt{t} \cdot \color{blue}{\left(\frac{x}{z} \cdot \frac{0.05555555555555555}{y}\right)}\right), 1\right) \]

10. Simplified 99.3%

    \[\leadsto \color{blue}{-1 + \mathsf{fma}\left(0.3333333333333333, \cos^{-1} \left(\sqrt{t} \cdot \left(\frac{x}{z} \cdot \frac{0.05555555555555555}{y}\right)\right), 1\right)} \]
11. Add Preprocessing

Alternative 4: 98.1% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ 0.3333333333333333 \cdot \cos^{-1} \left(\sqrt{t} \cdot \frac{0.05555555555555555}{z \cdot \frac{y}{x}}\right) \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (*
  0.3333333333333333
  (acos (* (sqrt t) (/ 0.05555555555555555 (* z (/ y x)))))))

C

double code(double x, double y, double z, double t) {
	return 0.3333333333333333 * acos((sqrt(t) * (0.05555555555555555 / (z * (y / x)))));
}

Fortran

real(8) function code(x, y, z, t)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    code = 0.3333333333333333d0 * acos((sqrt(t) * (0.05555555555555555d0 / (z * (y / x)))))
end function

Java

public static double code(double x, double y, double z, double t) {
	return 0.3333333333333333 * Math.acos((Math.sqrt(t) * (0.05555555555555555 / (z * (y / x)))));
}

Python

def code(x, y, z, t):
	return 0.3333333333333333 * math.acos((math.sqrt(t) * (0.05555555555555555 / (z * (y / x)))))

Julia

function code(x, y, z, t)
	return Float64(0.3333333333333333 * acos(Float64(sqrt(t) * Float64(0.05555555555555555 / Float64(z * Float64(y / x))))))
end

MATLAB

function tmp = code(x, y, z, t)
	tmp = 0.3333333333333333 * acos((sqrt(t) * (0.05555555555555555 / (z * (y / x)))));
end

Wolfram

code[x_, y_, z_, t_] := N[(0.3333333333333333 * N[ArcCos[N[(N[Sqrt[t], $MachinePrecision] * N[(0.05555555555555555 / N[(z * N[(y / x), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 97.8%

   \[\frac{1}{3} \cdot \cos^{-1} \left(\frac{3 \cdot \frac{x}{y \cdot 27}}{z \cdot 2} \cdot \sqrt{t}\right) \]

3. Simplified 98.1%

   \[\leadsto \color{blue}{0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)} \]
4. Add Preprocessing
5. Step-by-step derivation

   1. clear-num 98.1%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \color{blue}{\frac{1}{\frac{z}{\frac{x}{y}}}}\right) \cdot \sqrt{t}\right) \]

   2. un-div-inv 98.1%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\color{blue}{\frac{0.05555555555555555}{\frac{z}{\frac{x}{y}}}} \cdot \sqrt{t}\right) \]

   3. div-inv 97.9%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{0.05555555555555555}{\color{blue}{z \cdot \frac{1}{\frac{x}{y}}}} \cdot \sqrt{t}\right) \]

   4. clear-num 98.3%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{0.05555555555555555}{z \cdot \color{blue}{\frac{y}{x}}} \cdot \sqrt{t}\right) \]

6. Applied egg-rr 98.3%

   \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\color{blue}{\frac{0.05555555555555555}{z \cdot \frac{y}{x}}} \cdot \sqrt{t}\right) \]

7. Final simplification 98.3%

   \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\sqrt{t} \cdot \frac{0.05555555555555555}{z \cdot \frac{y}{x}}\right) \]
8. Add Preprocessing

Alternative 5: 98.0% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ 0.3333333333333333 \cdot \cos^{-1} \left(\sqrt{t} \cdot \left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right)\right) \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (*
  0.3333333333333333
  (acos (* (sqrt t) (* 0.05555555555555555 (/ (/ x y) z))))))

C

double code(double x, double y, double z, double t) {
	return 0.3333333333333333 * acos((sqrt(t) * (0.05555555555555555 * ((x / y) / z))));
}

Fortran

real(8) function code(x, y, z, t)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    code = 0.3333333333333333d0 * acos((sqrt(t) * (0.05555555555555555d0 * ((x / y) / z))))
end function

Java

public static double code(double x, double y, double z, double t) {
	return 0.3333333333333333 * Math.acos((Math.sqrt(t) * (0.05555555555555555 * ((x / y) / z))));
}

Python

def code(x, y, z, t):
	return 0.3333333333333333 * math.acos((math.sqrt(t) * (0.05555555555555555 * ((x / y) / z))))

Julia

function code(x, y, z, t)
	return Float64(0.3333333333333333 * acos(Float64(sqrt(t) * Float64(0.05555555555555555 * Float64(Float64(x / y) / z)))))
end

MATLAB

function tmp = code(x, y, z, t)
	tmp = 0.3333333333333333 * acos((sqrt(t) * (0.05555555555555555 * ((x / y) / z))));
end

Wolfram

code[x_, y_, z_, t_] := N[(0.3333333333333333 * N[ArcCos[N[(N[Sqrt[t], $MachinePrecision] * N[(0.05555555555555555 * N[(N[(x / y), $MachinePrecision] / z), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 97.8%

   \[\frac{1}{3} \cdot \cos^{-1} \left(\frac{3 \cdot \frac{x}{y \cdot 27}}{z \cdot 2} \cdot \sqrt{t}\right) \]

3. Simplified 98.1%

   \[\leadsto \color{blue}{0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)} \]
4. Add Preprocessing

5. Final simplification 98.1%

   \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\sqrt{t} \cdot \left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right)\right) \]
6. Add Preprocessing

Alternative 6: 98.5% accurate, 1.1× speedup

Math

\[\begin{array}{l} \\ -1 + \mathsf{fma}\left(0.3333333333333333, \cos^{-1} 0, 1\right) \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (+ -1.0 (fma 0.3333333333333333 (acos 0.0) 1.0)))

C

double code(double x, double y, double z, double t) {
	return -1.0 + fma(0.3333333333333333, acos(0.0), 1.0);
}

Julia

function code(x, y, z, t)
	return Float64(-1.0 + fma(0.3333333333333333, acos(0.0), 1.0))
end

Wolfram

code[x_, y_, z_, t_] := N[(-1.0 + N[(0.3333333333333333 * N[ArcCos[0.0], $MachinePrecision] + 1.0), $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 97.8%

   \[\frac{1}{3} \cdot \cos^{-1} \left(\frac{3 \cdot \frac{x}{y \cdot 27}}{z \cdot 2} \cdot \sqrt{t}\right) \]

3. Simplified 98.1%

   \[\leadsto \color{blue}{0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)} \]
4. Add Preprocessing
5. Step-by-step derivation

   1. clear-num 98.1%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \color{blue}{\frac{1}{\frac{z}{\frac{x}{y}}}}\right) \cdot \sqrt{t}\right) \]

   2. un-div-inv 98.1%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\color{blue}{\frac{0.05555555555555555}{\frac{z}{\frac{x}{y}}}} \cdot \sqrt{t}\right) \]

   3. div-inv 97.9%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{0.05555555555555555}{\color{blue}{z \cdot \frac{1}{\frac{x}{y}}}} \cdot \sqrt{t}\right) \]

   4. clear-num 98.3%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{0.05555555555555555}{z \cdot \color{blue}{\frac{y}{x}}} \cdot \sqrt{t}\right) \]

6. Applied egg-rr 98.3%

   \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\color{blue}{\frac{0.05555555555555555}{z \cdot \frac{y}{x}}} \cdot \sqrt{t}\right) \]
7. Step-by-step derivation

   1. associate-*l/ 98.3%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \color{blue}{\left(\frac{0.05555555555555555 \cdot \sqrt{t}}{z \cdot \frac{y}{x}}\right)} \]

   2. div-inv 98.3%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \color{blue}{\left(\left(0.05555555555555555 \cdot \sqrt{t}\right) \cdot \frac{1}{z \cdot \frac{y}{x}}\right)} \]

   3. associate-*r/ 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \sqrt{t}\right) \cdot \frac{1}{\color{blue}{\frac{z \cdot y}{x}}}\right) \]

   4. *-commutative 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \sqrt{t}\right) \cdot \frac{1}{\frac{\color{blue}{y \cdot z}}{x}}\right) \]

   5. clear-num 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \sqrt{t}\right) \cdot \color{blue}{\frac{x}{y \cdot z}}\right) \]

   6. *-commutative 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \color{blue}{\left(\frac{x}{y \cdot z} \cdot \left(0.05555555555555555 \cdot \sqrt{t}\right)\right)} \]

   7. expm1-log1p-u 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \color{blue}{\left(\mathsf{expm1}\left(\mathsf{log1p}\left(\frac{x}{y \cdot z} \cdot \left(0.05555555555555555 \cdot \sqrt{t}\right)\right)\right)\right)} \]

   8. expm1-undefine 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \color{blue}{\left(e^{\mathsf{log1p}\left(\frac{x}{y \cdot z} \cdot \left(0.05555555555555555 \cdot \sqrt{t}\right)\right)} - 1\right)} \]

   9. associate-*r* 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(e^{\mathsf{log1p}\left(\color{blue}{\left(\frac{x}{y \cdot z} \cdot 0.05555555555555555\right) \cdot \sqrt{t}}\right)} - 1\right) \]

   10. associate-*l/ 98.2%

       \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(e^{\mathsf{log1p}\left(\color{blue}{\frac{x \cdot 0.05555555555555555}{y \cdot z}} \cdot \sqrt{t}\right)} - 1\right) \]

   11. *-commutative 98.2%

       \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(e^{\mathsf{log1p}\left(\frac{x \cdot 0.05555555555555555}{\color{blue}{z \cdot y}} \cdot \sqrt{t}\right)} - 1\right) \]

8. Applied egg-rr 98.2%

   \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \color{blue}{\left(e^{\mathsf{log1p}\left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)} - 1\right)} \]
9. Step-by-step derivation

   1. sub-neg 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \color{blue}{\left(e^{\mathsf{log1p}\left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)} + \left(-1\right)\right)} \]

   2. metadata-eval 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(e^{\mathsf{log1p}\left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)} + \color{blue}{-1}\right) \]

   3. +-commutative 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \color{blue}{\left(-1 + e^{\mathsf{log1p}\left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)}\right)} \]

   4. log1p-undefine 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(-1 + e^{\color{blue}{\log \left(1 + \frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)}}\right) \]

   5. rem-exp-log 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(-1 + \color{blue}{\left(1 + \frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)}\right) \]

   6. +-commutative 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(-1 + \color{blue}{\left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t} + 1\right)}\right) \]

   7. *-commutative 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(-1 + \left(\color{blue}{\sqrt{t} \cdot \frac{x \cdot 0.05555555555555555}{z \cdot y}} + 1\right)\right) \]

   8. fma-define 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(-1 + \color{blue}{\mathsf{fma}\left(\sqrt{t}, \frac{x \cdot 0.05555555555555555}{z \cdot y}, 1\right)}\right) \]

   9. times-frac 97.8%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(-1 + \mathsf{fma}\left(\sqrt{t}, \color{blue}{\frac{x}{z} \cdot \frac{0.05555555555555555}{y}}, 1\right)\right) \]

10. Simplified 97.8%

    \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \color{blue}{\left(-1 + \mathsf{fma}\left(\sqrt{t}, \frac{x}{z} \cdot \frac{0.05555555555555555}{y}, 1\right)\right)} \]

11. Taylor expanded in x around 0 95.9%

    \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(-1 + \color{blue}{1}\right) \]
12. Step-by-step derivation

    1. expm1-log1p-u 95.9%

       \[\leadsto \color{blue}{\mathsf{expm1}\left(\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(-1 + 1\right)\right)\right)} \]

    2. expm1-undefine 97.4%

       \[\leadsto \color{blue}{e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \left(-1 + 1\right)\right)} - 1} \]

    3. metadata-eval 97.4%

       \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} \color{blue}{0}\right)} - 1 \]

13. Applied egg-rr 97.4%

    \[\leadsto \color{blue}{e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} 0\right)} - 1} \]
14. Step-by-step derivation

    1. sub-neg 97.4%

       \[\leadsto \color{blue}{e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} 0\right)} + \left(-1\right)} \]

    2. metadata-eval 97.4%

       \[\leadsto e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} 0\right)} + \color{blue}{-1} \]

    3. +-commutative 97.4%

       \[\leadsto \color{blue}{-1 + e^{\mathsf{log1p}\left(0.3333333333333333 \cdot \cos^{-1} 0\right)}} \]

    4. log1p-undefine 95.1%

       \[\leadsto -1 + e^{\color{blue}{\log \left(1 + 0.3333333333333333 \cdot \cos^{-1} 0\right)}} \]

    5. rem-exp-log 95.1%

       \[\leadsto -1 + \color{blue}{\left(1 + 0.3333333333333333 \cdot \cos^{-1} 0\right)} \]

    6. +-commutative 95.1%

       \[\leadsto -1 + \color{blue}{\left(0.3333333333333333 \cdot \cos^{-1} 0 + 1\right)} \]

    7. fma-define 97.4%

       \[\leadsto -1 + \color{blue}{\mathsf{fma}\left(0.3333333333333333, \cos^{-1} 0, 1\right)} \]

15. Simplified 97.4%

    \[\leadsto \color{blue}{-1 + \mathsf{fma}\left(0.3333333333333333, \cos^{-1} 0, 1\right)} \]
16. Add Preprocessing

Alternative 7: 97.0% accurate, 2.1× speedup

Math

\[\begin{array}{l} \\ 0.3333333333333333 \cdot \cos^{-1} 0 \end{array} \]

FPCore

(FPCore (x y z t) :precision binary64 (* 0.3333333333333333 (acos 0.0)))

C

double code(double x, double y, double z, double t) {
	return 0.3333333333333333 * acos(0.0);
}

Fortran

real(8) function code(x, y, z, t)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    code = 0.3333333333333333d0 * acos(0.0d0)
end function

Java

public static double code(double x, double y, double z, double t) {
	return 0.3333333333333333 * Math.acos(0.0);
}

Python

def code(x, y, z, t):
	return 0.3333333333333333 * math.acos(0.0)

Julia

function code(x, y, z, t)
	return Float64(0.3333333333333333 * acos(0.0))
end

MATLAB

function tmp = code(x, y, z, t)
	tmp = 0.3333333333333333 * acos(0.0);
end

Wolfram

code[x_, y_, z_, t_] := N[(0.3333333333333333 * N[ArcCos[0.0], $MachinePrecision]), $MachinePrecision]

Derivation

1. Initial program 97.8%

   \[\frac{1}{3} \cdot \cos^{-1} \left(\frac{3 \cdot \frac{x}{y \cdot 27}}{z \cdot 2} \cdot \sqrt{t}\right) \]

3. Simplified 98.1%

   \[\leadsto \color{blue}{0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \frac{\frac{x}{y}}{z}\right) \cdot \sqrt{t}\right)} \]
4. Add Preprocessing
5. Step-by-step derivation

   1. clear-num 98.1%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \color{blue}{\frac{1}{\frac{z}{\frac{x}{y}}}}\right) \cdot \sqrt{t}\right) \]

   2. un-div-inv 98.1%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\color{blue}{\frac{0.05555555555555555}{\frac{z}{\frac{x}{y}}}} \cdot \sqrt{t}\right) \]

   3. div-inv 97.9%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{0.05555555555555555}{\color{blue}{z \cdot \frac{1}{\frac{x}{y}}}} \cdot \sqrt{t}\right) \]

   4. clear-num 98.3%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\frac{0.05555555555555555}{z \cdot \color{blue}{\frac{y}{x}}} \cdot \sqrt{t}\right) \]

6. Applied egg-rr 98.3%

   \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\color{blue}{\frac{0.05555555555555555}{z \cdot \frac{y}{x}}} \cdot \sqrt{t}\right) \]
7. Step-by-step derivation

   1. associate-*l/ 98.3%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \color{blue}{\left(\frac{0.05555555555555555 \cdot \sqrt{t}}{z \cdot \frac{y}{x}}\right)} \]

   2. div-inv 98.3%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \color{blue}{\left(\left(0.05555555555555555 \cdot \sqrt{t}\right) \cdot \frac{1}{z \cdot \frac{y}{x}}\right)} \]

   3. associate-*r/ 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \sqrt{t}\right) \cdot \frac{1}{\color{blue}{\frac{z \cdot y}{x}}}\right) \]

   4. *-commutative 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \sqrt{t}\right) \cdot \frac{1}{\frac{\color{blue}{y \cdot z}}{x}}\right) \]

   5. clear-num 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(\left(0.05555555555555555 \cdot \sqrt{t}\right) \cdot \color{blue}{\frac{x}{y \cdot z}}\right) \]

   6. *-commutative 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \color{blue}{\left(\frac{x}{y \cdot z} \cdot \left(0.05555555555555555 \cdot \sqrt{t}\right)\right)} \]

   7. expm1-log1p-u 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \color{blue}{\left(\mathsf{expm1}\left(\mathsf{log1p}\left(\frac{x}{y \cdot z} \cdot \left(0.05555555555555555 \cdot \sqrt{t}\right)\right)\right)\right)} \]

   8. expm1-undefine 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \color{blue}{\left(e^{\mathsf{log1p}\left(\frac{x}{y \cdot z} \cdot \left(0.05555555555555555 \cdot \sqrt{t}\right)\right)} - 1\right)} \]

   9. associate-*r* 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(e^{\mathsf{log1p}\left(\color{blue}{\left(\frac{x}{y \cdot z} \cdot 0.05555555555555555\right) \cdot \sqrt{t}}\right)} - 1\right) \]

   10. associate-*l/ 98.2%

       \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(e^{\mathsf{log1p}\left(\color{blue}{\frac{x \cdot 0.05555555555555555}{y \cdot z}} \cdot \sqrt{t}\right)} - 1\right) \]

   11. *-commutative 98.2%

       \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(e^{\mathsf{log1p}\left(\frac{x \cdot 0.05555555555555555}{\color{blue}{z \cdot y}} \cdot \sqrt{t}\right)} - 1\right) \]

8. Applied egg-rr 98.2%

   \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \color{blue}{\left(e^{\mathsf{log1p}\left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)} - 1\right)} \]
9. Step-by-step derivation

   1. sub-neg 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \color{blue}{\left(e^{\mathsf{log1p}\left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)} + \left(-1\right)\right)} \]

   2. metadata-eval 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(e^{\mathsf{log1p}\left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)} + \color{blue}{-1}\right) \]

   3. +-commutative 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \color{blue}{\left(-1 + e^{\mathsf{log1p}\left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)}\right)} \]

   4. log1p-undefine 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(-1 + e^{\color{blue}{\log \left(1 + \frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)}}\right) \]

   5. rem-exp-log 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(-1 + \color{blue}{\left(1 + \frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t}\right)}\right) \]

   6. +-commutative 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(-1 + \color{blue}{\left(\frac{x \cdot 0.05555555555555555}{z \cdot y} \cdot \sqrt{t} + 1\right)}\right) \]

   7. *-commutative 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(-1 + \left(\color{blue}{\sqrt{t} \cdot \frac{x \cdot 0.05555555555555555}{z \cdot y}} + 1\right)\right) \]

   8. fma-define 98.2%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(-1 + \color{blue}{\mathsf{fma}\left(\sqrt{t}, \frac{x \cdot 0.05555555555555555}{z \cdot y}, 1\right)}\right) \]

   9. times-frac 97.8%

      \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(-1 + \mathsf{fma}\left(\sqrt{t}, \color{blue}{\frac{x}{z} \cdot \frac{0.05555555555555555}{y}}, 1\right)\right) \]

10. Simplified 97.8%

    \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \color{blue}{\left(-1 + \mathsf{fma}\left(\sqrt{t}, \frac{x}{z} \cdot \frac{0.05555555555555555}{y}, 1\right)\right)} \]

11. Taylor expanded in x around 0 95.9%

    \[\leadsto 0.3333333333333333 \cdot \cos^{-1} \left(-1 + \color{blue}{1}\right) \]
12. Step-by-step derivation

    1. pow1 95.9%

       \[\leadsto \color{blue}{{\left(0.3333333333333333 \cdot \cos^{-1} \left(-1 + 1\right)\right)}^{1}} \]

    2. metadata-eval 95.9%

       \[\leadsto {\left(0.3333333333333333 \cdot \cos^{-1} \color{blue}{0}\right)}^{1} \]

13. Applied egg-rr 95.9%

    \[\leadsto \color{blue}{{\left(0.3333333333333333 \cdot \cos^{-1} 0\right)}^{1}} \]
14. Step-by-step derivation

    1. unpow1 95.9%

       \[\leadsto \color{blue}{0.3333333333333333 \cdot \cos^{-1} 0} \]

15. Simplified 95.9%

    \[\leadsto \color{blue}{0.3333333333333333 \cdot \cos^{-1} 0} \]
16. Add Preprocessing

Developer Target 1: 98.0% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \frac{\cos^{-1} \left(\frac{\frac{x}{27}}{y \cdot z} \cdot \frac{\sqrt{t}}{\frac{2}{3}}\right)}{3} \end{array} \]

FPCore

(FPCore (x y z t)
 :precision binary64
 (/ (acos (* (/ (/ x 27.0) (* y z)) (/ (sqrt t) (/ 2.0 3.0)))) 3.0))

C

double code(double x, double y, double z, double t) {
	return acos((((x / 27.0) / (y * z)) * (sqrt(t) / (2.0 / 3.0)))) / 3.0;
}

Fortran

real(8) function code(x, y, z, t)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    code = acos((((x / 27.0d0) / (y * z)) * (sqrt(t) / (2.0d0 / 3.0d0)))) / 3.0d0
end function

Java

public static double code(double x, double y, double z, double t) {
	return Math.acos((((x / 27.0) / (y * z)) * (Math.sqrt(t) / (2.0 / 3.0)))) / 3.0;
}

Python

def code(x, y, z, t):
	return math.acos((((x / 27.0) / (y * z)) * (math.sqrt(t) / (2.0 / 3.0)))) / 3.0

Julia

function code(x, y, z, t)
	return Float64(acos(Float64(Float64(Float64(x / 27.0) / Float64(y * z)) * Float64(sqrt(t) / Float64(2.0 / 3.0)))) / 3.0)
end

MATLAB

function tmp = code(x, y, z, t)
	tmp = acos((((x / 27.0) / (y * z)) * (sqrt(t) / (2.0 / 3.0)))) / 3.0;
end

Wolfram

code[x_, y_, z_, t_] := N[(N[ArcCos[N[(N[(N[(x / 27.0), $MachinePrecision] / N[(y * z), $MachinePrecision]), $MachinePrecision] * N[(N[Sqrt[t], $MachinePrecision] / N[(2.0 / 3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision] / 3.0), $MachinePrecision]

Reproduce

herbie shell --seed 2024133 
(FPCore (x y z t)
  :name "Diagrams.Solve.Polynomial:cubForm  from diagrams-solve-0.1, D"
  :precision binary64

  :alt
  (! :herbie-platform default (/ (acos (* (/ (/ x 27) (* y z)) (/ (sqrt t) (/ 2 3)))) 3))

  (* (/ 1.0 3.0) (acos (* (/ (* 3.0 (/ x (* y 27.0))) (* z 2.0)) (sqrt t)))))