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

Percentage Accurate: 93.6% → 97.1%

Time: 22.3s

Alternatives: 18

Speedup: 0.7×

Specification

Math

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

FPCore

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

C

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

Fortran

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

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

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

Initial Program: 93.6% accurate, 1.0× speedup

Math

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

FPCore

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

C

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

Fortran

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

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

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

Alternative 1: 97.1% accurate, 0.7× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_1 := \frac{z \cdot \sqrt{t + a}}{t} + \left(\left(a + 0.8333333333333334\right) - \frac{2}{t \cdot 3}\right) \cdot \left(c - b\right)\\ \mathbf{if}\;t\_1 \leq \infty:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot t\_1}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \frac{z \cdot \sqrt{a} + -0.6666666666666666 \cdot \left(c - b\right)}{t}}}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (let* ((t_1
         (+
          (/ (* z (sqrt (+ t a))) t)
          (* (- (+ a 0.8333333333333334) (/ 2.0 (* t 3.0))) (- c b)))))
   (if (<= t_1 INFINITY)
     (/ x (+ x (* y (exp (* 2.0 t_1)))))
     (/
      x
      (+
       x
       (*
        y
        (exp
         (*
          2.0
          (/ (+ (* z (sqrt a)) (* -0.6666666666666666 (- c b))) t)))))))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double t_1 = ((z * sqrt((t + a))) / t) + (((a + 0.8333333333333334) - (2.0 / (t * 3.0))) * (c - b));
	double tmp;
	if (t_1 <= ((double) INFINITY)) {
		tmp = x / (x + (y * exp((2.0 * t_1))));
	} else {
		tmp = x / (x + (y * exp((2.0 * (((z * sqrt(a)) + (-0.6666666666666666 * (c - b))) / t)))));
	}
	return tmp;
}

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double t_1 = ((z * Math.sqrt((t + a))) / t) + (((a + 0.8333333333333334) - (2.0 / (t * 3.0))) * (c - b));
	double tmp;
	if (t_1 <= Double.POSITIVE_INFINITY) {
		tmp = x / (x + (y * Math.exp((2.0 * t_1))));
	} else {
		tmp = x / (x + (y * Math.exp((2.0 * (((z * Math.sqrt(a)) + (-0.6666666666666666 * (c - b))) / t)))));
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	t_1 = ((z * math.sqrt((t + a))) / t) + (((a + 0.8333333333333334) - (2.0 / (t * 3.0))) * (c - b))
	tmp = 0
	if t_1 <= math.inf:
		tmp = x / (x + (y * math.exp((2.0 * t_1))))
	else:
		tmp = x / (x + (y * math.exp((2.0 * (((z * math.sqrt(a)) + (-0.6666666666666666 * (c - b))) / t)))))
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	t_1 = Float64(Float64(Float64(z * sqrt(Float64(t + a))) / t) + Float64(Float64(Float64(a + 0.8333333333333334) - Float64(2.0 / Float64(t * 3.0))) * Float64(c - b)))
	tmp = 0.0
	if (t_1 <= Inf)
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * t_1)))));
	else
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(Float64(Float64(z * sqrt(a)) + Float64(-0.6666666666666666 * Float64(c - b))) / t))))));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	t_1 = ((z * sqrt((t + a))) / t) + (((a + 0.8333333333333334) - (2.0 / (t * 3.0))) * (c - b));
	tmp = 0.0;
	if (t_1 <= Inf)
		tmp = x / (x + (y * exp((2.0 * t_1))));
	else
		tmp = x / (x + (y * exp((2.0 * (((z * sqrt(a)) + (-0.6666666666666666 * (c - b))) / t)))));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := Block[{t$95$1 = N[(N[(N[(z * N[Sqrt[N[(t + a), $MachinePrecision]], $MachinePrecision]), $MachinePrecision] / t), $MachinePrecision] + N[(N[(N[(a + 0.8333333333333334), $MachinePrecision] - N[(2.0 / N[(t * 3.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] * N[(c - b), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]}, If[LessEqual[t$95$1, Infinity], N[(x / N[(x + N[(y * N[Exp[N[(2.0 * t$95$1), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(N[(N[(z * N[Sqrt[a], $MachinePrecision]), $MachinePrecision] + N[(-0.6666666666666666 * N[(c - b), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] / t), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]

Derivation

1. Split input into 2 regimes

2. if (-.f64 (/.f64 (*.f64 z (sqrt.f64 (+.f64 t a))) t) (*.f64 (-.f64 b c) (-.f64 (+.f64 a (/.f64 #s(literal 5 binary64) #s(literal 6 binary64))) (/.f64 #s(literal 2 binary64) (*.f64 t #s(literal 3 binary64)))))) < +inf.0

   1. Initial program 99.2%

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

   if +inf.0 < (-.f64 (/.f64 (*.f64 z (sqrt.f64 (+.f64 t a))) t) (*.f64 (-.f64 b c) (-.f64 (+.f64 a (/.f64 #s(literal 5 binary64) #s(literal 6 binary64))) (/.f64 #s(literal 2 binary64) (*.f64 t #s(literal 3 binary64))))))

   1. Initial program 0.0%

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

   3. Taylor expanded in t around 0 72.1%

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

4. Final simplification 97.7%

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

Alternative 2: 96.6% accurate, 0.4× speedup

Math

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

FPCore

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

C

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

Julia

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

Wolfram

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

Derivation

1. Initial program 93.8%

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

3. Simplified 96.5%

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

5. Final simplification 96.5%

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

Alternative 3: 81.5% accurate, 1.0× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;b \leq -8 \cdot 10^{+32} \lor \neg \left(b \leq 1.75 \cdot 10^{+75}\right):\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} + a \cdot \left(c - b\right)\right)}}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (or (<= b -8e+32) (not (<= b 1.75e+75)))
   (/
    x
    (+
     x
     (*
      y
      (exp
       (* 2.0 (* b (- (/ 0.6666666666666666 t) (+ a 0.8333333333333334))))))))
   (/
    x
    (+ x (* y (exp (* 2.0 (+ (/ (* z (sqrt (+ t a))) t) (* a (- c b))))))))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if ((b <= -8e+32) || !(b <= 1.75e+75)) {
		tmp = x / (x + (y * exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))));
	} else {
		tmp = x / (x + (y * exp((2.0 * (((z * sqrt((t + a))) / t) + (a * (c - b)))))));
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if ((b <= (-8d+32)) .or. (.not. (b <= 1.75d+75))) then
        tmp = x / (x + (y * exp((2.0d0 * (b * ((0.6666666666666666d0 / t) - (a + 0.8333333333333334d0)))))))
    else
        tmp = x / (x + (y * exp((2.0d0 * (((z * sqrt((t + a))) / t) + (a * (c - b)))))))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if ((b <= -8e+32) || !(b <= 1.75e+75)) {
		tmp = x / (x + (y * Math.exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))));
	} else {
		tmp = x / (x + (y * Math.exp((2.0 * (((z * Math.sqrt((t + a))) / t) + (a * (c - b)))))));
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if (b <= -8e+32) or not (b <= 1.75e+75):
		tmp = x / (x + (y * math.exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))))
	else:
		tmp = x / (x + (y * math.exp((2.0 * (((z * math.sqrt((t + a))) / t) + (a * (c - b)))))))
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if ((b <= -8e+32) || !(b <= 1.75e+75))
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(b * Float64(Float64(0.6666666666666666 / t) - Float64(a + 0.8333333333333334))))))));
	else
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(Float64(Float64(z * sqrt(Float64(t + a))) / t) + Float64(a * Float64(c - b))))))));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if ((b <= -8e+32) || ~((b <= 1.75e+75)))
		tmp = x / (x + (y * exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))));
	else
		tmp = x / (x + (y * exp((2.0 * (((z * sqrt((t + a))) / t) + (a * (c - b)))))));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[Or[LessEqual[b, -8e+32], N[Not[LessEqual[b, 1.75e+75]], $MachinePrecision]], N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(b * N[(N[(0.6666666666666666 / t), $MachinePrecision] - N[(a + 0.8333333333333334), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(N[(N[(z * N[Sqrt[N[(t + a), $MachinePrecision]], $MachinePrecision]), $MachinePrecision] / t), $MachinePrecision] + N[(a * N[(c - b), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if b < -8.00000000000000043e32 or 1.7499999999999999e75 < b

   1. Initial program 90.4%

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

   3. Taylor expanded in b around inf 89.0%

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

      1. associate-*r/ 89.0%

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

      2. metadata-eval 89.0%

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

      3. +-commutative 89.0%

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

   5. Simplified 89.0%

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

   if -8.00000000000000043e32 < b < 1.7499999999999999e75

   1. Initial program 96.5%

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

   3. Taylor expanded in a around inf 82.9%

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

4. Final simplification 85.6%

   \[\leadsto \begin{array}{l} \mathbf{if}\;b \leq -8 \cdot 10^{+32} \lor \neg \left(b \leq 1.75 \cdot 10^{+75}\right):\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(\frac{z \cdot \sqrt{t + a}}{t} + a \cdot \left(c - b\right)\right)}}\\ \end{array} \]
5. Add Preprocessing

Alternative 4: 63.7% accurate, 1.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} t_1 := \frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(-0.8333333333333334 - a\right)\right)}}\\ \mathbf{if}\;b \leq -7 \cdot 10^{+188}:\\ \;\;\;\;t\_1\\ \mathbf{elif}\;b \leq -410000:\\ \;\;\;\;\frac{x}{x + y \cdot e^{1.3333333333333333 \cdot \frac{b}{t}}}\\ \mathbf{elif}\;b \leq 0.024:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(a + 0.8333333333333334\right)\right)}}\\ \mathbf{else}:\\ \;\;\;\;t\_1\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (let* ((t_1 (/ x (+ x (* y (exp (* 2.0 (* b (- -0.8333333333333334 a)))))))))
   (if (<= b -7e+188)
     t_1
     (if (<= b -410000.0)
       (/ x (+ x (* y (exp (* 1.3333333333333333 (/ b t))))))
       (if (<= b 0.024)
         (/ x (+ x (* y (exp (* 2.0 (* c (+ a 0.8333333333333334)))))))
         t_1)))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double t_1 = x / (x + (y * exp((2.0 * (b * (-0.8333333333333334 - a))))));
	double tmp;
	if (b <= -7e+188) {
		tmp = t_1;
	} else if (b <= -410000.0) {
		tmp = x / (x + (y * exp((1.3333333333333333 * (b / t)))));
	} else if (b <= 0.024) {
		tmp = x / (x + (y * exp((2.0 * (c * (a + 0.8333333333333334))))));
	} else {
		tmp = t_1;
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: t_1
    real(8) :: tmp
    t_1 = x / (x + (y * exp((2.0d0 * (b * ((-0.8333333333333334d0) - a))))))
    if (b <= (-7d+188)) then
        tmp = t_1
    else if (b <= (-410000.0d0)) then
        tmp = x / (x + (y * exp((1.3333333333333333d0 * (b / t)))))
    else if (b <= 0.024d0) then
        tmp = x / (x + (y * exp((2.0d0 * (c * (a + 0.8333333333333334d0))))))
    else
        tmp = t_1
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double t_1 = x / (x + (y * Math.exp((2.0 * (b * (-0.8333333333333334 - a))))));
	double tmp;
	if (b <= -7e+188) {
		tmp = t_1;
	} else if (b <= -410000.0) {
		tmp = x / (x + (y * Math.exp((1.3333333333333333 * (b / t)))));
	} else if (b <= 0.024) {
		tmp = x / (x + (y * Math.exp((2.0 * (c * (a + 0.8333333333333334))))));
	} else {
		tmp = t_1;
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	t_1 = x / (x + (y * math.exp((2.0 * (b * (-0.8333333333333334 - a))))))
	tmp = 0
	if b <= -7e+188:
		tmp = t_1
	elif b <= -410000.0:
		tmp = x / (x + (y * math.exp((1.3333333333333333 * (b / t)))))
	elif b <= 0.024:
		tmp = x / (x + (y * math.exp((2.0 * (c * (a + 0.8333333333333334))))))
	else:
		tmp = t_1
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	t_1 = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(b * Float64(-0.8333333333333334 - a)))))))
	tmp = 0.0
	if (b <= -7e+188)
		tmp = t_1;
	elseif (b <= -410000.0)
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(1.3333333333333333 * Float64(b / t))))));
	elseif (b <= 0.024)
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(c * Float64(a + 0.8333333333333334)))))));
	else
		tmp = t_1;
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	t_1 = x / (x + (y * exp((2.0 * (b * (-0.8333333333333334 - a))))));
	tmp = 0.0;
	if (b <= -7e+188)
		tmp = t_1;
	elseif (b <= -410000.0)
		tmp = x / (x + (y * exp((1.3333333333333333 * (b / t)))));
	elseif (b <= 0.024)
		tmp = x / (x + (y * exp((2.0 * (c * (a + 0.8333333333333334))))));
	else
		tmp = t_1;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := Block[{t$95$1 = N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(b * N[(-0.8333333333333334 - a), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]}, If[LessEqual[b, -7e+188], t$95$1, If[LessEqual[b, -410000.0], N[(x / N[(x + N[(y * N[Exp[N[(1.3333333333333333 * N[(b / t), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[b, 0.024], N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(c * N[(a + 0.8333333333333334), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], t$95$1]]]]

Derivation

1. Split input into 3 regimes

2. if b < -7.00000000000000016e188 or 0.024 < b

   1. Initial program 88.3%

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

   3. Taylor expanded in b around inf 84.5%

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

      1. associate-*r/ 84.5%

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

      2. metadata-eval 84.5%

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

      3. +-commutative 84.5%

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

   5. Simplified 84.5%

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

   6. Taylor expanded in t around inf 71.1%

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

      1. mul-1-neg 71.1%

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

      2. +-commutative 71.1%

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

      3. distribute-rgt-neg-in 71.1%

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

      4. +-commutative 71.1%

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

      5. distribute-neg-in 71.1%

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

      6. unsub-neg 71.1%

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

      7. metadata-eval 71.1%

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

   8. Simplified 71.1%

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

   if -7.00000000000000016e188 < b < -4.1e5

   1. Initial program 92.1%

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

   3. Taylor expanded in t around 0 58.5%

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

   4. Taylor expanded in b around inf 79.7%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \frac{\color{blue}{0.6666666666666666 \cdot b}}{t}}} \]
   5. Step-by-step derivation

      1. *-commutative 79.7%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \frac{\color{blue}{b \cdot 0.6666666666666666}}{t}}} \]

   6. Simplified 79.7%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \frac{\color{blue}{b \cdot 0.6666666666666666}}{t}}} \]

   7. Taylor expanded in b around inf 79.7%

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

   if -4.1e5 < b < 0.024

   1. Initial program 98.4%

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

   3. Taylor expanded in c around inf 76.7%

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

      1. +-commutative 76.7%

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

      2. associate-*r/ 76.7%

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

      3. metadata-eval 76.7%

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

      4. associate-+r- 76.7%

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

   5. Simplified 76.7%

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

   6. Taylor expanded in t around inf 68.1%

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

      1. +-commutative 68.1%

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

   8. Simplified 68.1%

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

Alternative 5: 80.1% accurate, 1.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;b \leq -255000 \lor \neg \left(b \leq 2 \cdot 10^{+89}\right):\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(\left(a + \left(0.8333333333333334 - \frac{0.6666666666666666}{t}\right)\right) \cdot c\right)}}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (or (<= b -255000.0) (not (<= b 2e+89)))
   (/
    x
    (+
     x
     (*
      y
      (exp
       (* 2.0 (* b (- (/ 0.6666666666666666 t) (+ a 0.8333333333333334))))))))
   (/
    x
    (+
     x
     (*
      y
      (exp
       (*
        2.0
        (* (+ a (- 0.8333333333333334 (/ 0.6666666666666666 t))) c))))))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if ((b <= -255000.0) || !(b <= 2e+89)) {
		tmp = x / (x + (y * exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))));
	} else {
		tmp = x / (x + (y * exp((2.0 * ((a + (0.8333333333333334 - (0.6666666666666666 / t))) * c)))));
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if ((b <= (-255000.0d0)) .or. (.not. (b <= 2d+89))) then
        tmp = x / (x + (y * exp((2.0d0 * (b * ((0.6666666666666666d0 / t) - (a + 0.8333333333333334d0)))))))
    else
        tmp = x / (x + (y * exp((2.0d0 * ((a + (0.8333333333333334d0 - (0.6666666666666666d0 / t))) * c)))))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if ((b <= -255000.0) || !(b <= 2e+89)) {
		tmp = x / (x + (y * Math.exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))));
	} else {
		tmp = x / (x + (y * Math.exp((2.0 * ((a + (0.8333333333333334 - (0.6666666666666666 / t))) * c)))));
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if (b <= -255000.0) or not (b <= 2e+89):
		tmp = x / (x + (y * math.exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))))
	else:
		tmp = x / (x + (y * math.exp((2.0 * ((a + (0.8333333333333334 - (0.6666666666666666 / t))) * c)))))
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if ((b <= -255000.0) || !(b <= 2e+89))
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(b * Float64(Float64(0.6666666666666666 / t) - Float64(a + 0.8333333333333334))))))));
	else
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(Float64(a + Float64(0.8333333333333334 - Float64(0.6666666666666666 / t))) * c))))));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if ((b <= -255000.0) || ~((b <= 2e+89)))
		tmp = x / (x + (y * exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))));
	else
		tmp = x / (x + (y * exp((2.0 * ((a + (0.8333333333333334 - (0.6666666666666666 / t))) * c)))));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[Or[LessEqual[b, -255000.0], N[Not[LessEqual[b, 2e+89]], $MachinePrecision]], N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(b * N[(N[(0.6666666666666666 / t), $MachinePrecision] - N[(a + 0.8333333333333334), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(N[(a + N[(0.8333333333333334 - N[(0.6666666666666666 / t), $MachinePrecision]), $MachinePrecision]), $MachinePrecision] * c), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if b < -255000 or 1.99999999999999999e89 < b

   1. Initial program 91.4%

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

   3. Taylor expanded in b around inf 89.1%

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

      1. associate-*r/ 89.1%

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

      2. metadata-eval 89.1%

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

      3. +-commutative 89.1%

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

   5. Simplified 89.1%

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

   if -255000 < b < 1.99999999999999999e89

   1. Initial program 95.7%

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

   3. Taylor expanded in c around inf 75.9%

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

      1. +-commutative 75.9%

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

      2. associate-*r/ 75.9%

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

      3. metadata-eval 75.9%

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

      4. associate-+r- 75.9%

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

   5. Simplified 75.9%

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

4. Final simplification 81.9%

   \[\leadsto \begin{array}{l} \mathbf{if}\;b \leq -255000 \lor \neg \left(b \leq 2 \cdot 10^{+89}\right):\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(\left(a + \left(0.8333333333333334 - \frac{0.6666666666666666}{t}\right)\right) \cdot c\right)}}\\ \end{array} \]
5. Add Preprocessing

Alternative 6: 72.6% accurate, 1.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;b \leq -1.55 \cdot 10^{-12} \lor \neg \left(b \leq 1.8 \cdot 10^{+89}\right):\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(a + 0.8333333333333334\right)\right)}}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (or (<= b -1.55e-12) (not (<= b 1.8e+89)))
   (/
    x
    (+
     x
     (*
      y
      (exp
       (* 2.0 (* b (- (/ 0.6666666666666666 t) (+ a 0.8333333333333334))))))))
   (/ x (+ x (* y (exp (* 2.0 (* c (+ a 0.8333333333333334)))))))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if ((b <= -1.55e-12) || !(b <= 1.8e+89)) {
		tmp = x / (x + (y * exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))));
	} else {
		tmp = x / (x + (y * exp((2.0 * (c * (a + 0.8333333333333334))))));
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if ((b <= (-1.55d-12)) .or. (.not. (b <= 1.8d+89))) then
        tmp = x / (x + (y * exp((2.0d0 * (b * ((0.6666666666666666d0 / t) - (a + 0.8333333333333334d0)))))))
    else
        tmp = x / (x + (y * exp((2.0d0 * (c * (a + 0.8333333333333334d0))))))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if ((b <= -1.55e-12) || !(b <= 1.8e+89)) {
		tmp = x / (x + (y * Math.exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))));
	} else {
		tmp = x / (x + (y * Math.exp((2.0 * (c * (a + 0.8333333333333334))))));
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if (b <= -1.55e-12) or not (b <= 1.8e+89):
		tmp = x / (x + (y * math.exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))))
	else:
		tmp = x / (x + (y * math.exp((2.0 * (c * (a + 0.8333333333333334))))))
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if ((b <= -1.55e-12) || !(b <= 1.8e+89))
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(b * Float64(Float64(0.6666666666666666 / t) - Float64(a + 0.8333333333333334))))))));
	else
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(c * Float64(a + 0.8333333333333334)))))));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if ((b <= -1.55e-12) || ~((b <= 1.8e+89)))
		tmp = x / (x + (y * exp((2.0 * (b * ((0.6666666666666666 / t) - (a + 0.8333333333333334)))))));
	else
		tmp = x / (x + (y * exp((2.0 * (c * (a + 0.8333333333333334))))));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[Or[LessEqual[b, -1.55e-12], N[Not[LessEqual[b, 1.8e+89]], $MachinePrecision]], N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(b * N[(N[(0.6666666666666666 / t), $MachinePrecision] - N[(a + 0.8333333333333334), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(c * N[(a + 0.8333333333333334), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if b < -1.5500000000000001e-12 or 1.8e89 < b

   1. Initial program 91.6%

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

   3. Taylor expanded in b around inf 87.8%

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

      1. associate-*r/ 87.8%

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

      2. metadata-eval 87.8%

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

      3. +-commutative 87.8%

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

   5. Simplified 87.8%

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

   if -1.5500000000000001e-12 < b < 1.8e89

   1. Initial program 95.6%

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

   3. Taylor expanded in c around inf 76.1%

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

      1. +-commutative 76.1%

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

      2. associate-*r/ 76.1%

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

      3. metadata-eval 76.1%

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

      4. associate-+r- 76.1%

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

   5. Simplified 76.1%

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

   6. Taylor expanded in t around inf 68.3%

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

      1. +-commutative 68.3%

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

   8. Simplified 68.3%

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

4. Final simplification 77.3%

   \[\leadsto \begin{array}{l} \mathbf{if}\;b \leq -1.55 \cdot 10^{-12} \lor \neg \left(b \leq 1.8 \cdot 10^{+89}\right):\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(\frac{0.6666666666666666}{t} - \left(a + 0.8333333333333334\right)\right)\right)}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(c \cdot \left(a + 0.8333333333333334\right)\right)}}\\ \end{array} \]
5. Add Preprocessing

Alternative 7: 60.5% accurate, 1.9× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;t \leq 2 \cdot 10^{-6}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{1.3333333333333333 \cdot \frac{b}{t}}}\\ \mathbf{elif}\;t \leq 1.1 \cdot 10^{+139}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{b \cdot -1.6666666666666667}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{c \cdot 1.6666666666666667}}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (<= t 2e-6)
   (/ x (+ x (* y (exp (* 1.3333333333333333 (/ b t))))))
   (if (<= t 1.1e+139)
     (/ x (+ x (* y (exp (* b -1.6666666666666667)))))
     (/ x (+ x (* y (exp (* c 1.6666666666666667))))))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (t <= 2e-6) {
		tmp = x / (x + (y * exp((1.3333333333333333 * (b / t)))));
	} else if (t <= 1.1e+139) {
		tmp = x / (x + (y * exp((b * -1.6666666666666667))));
	} else {
		tmp = x / (x + (y * exp((c * 1.6666666666666667))));
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if (t <= 2d-6) then
        tmp = x / (x + (y * exp((1.3333333333333333d0 * (b / t)))))
    else if (t <= 1.1d+139) then
        tmp = x / (x + (y * exp((b * (-1.6666666666666667d0)))))
    else
        tmp = x / (x + (y * exp((c * 1.6666666666666667d0))))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (t <= 2e-6) {
		tmp = x / (x + (y * Math.exp((1.3333333333333333 * (b / t)))));
	} else if (t <= 1.1e+139) {
		tmp = x / (x + (y * Math.exp((b * -1.6666666666666667))));
	} else {
		tmp = x / (x + (y * Math.exp((c * 1.6666666666666667))));
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if t <= 2e-6:
		tmp = x / (x + (y * math.exp((1.3333333333333333 * (b / t)))))
	elif t <= 1.1e+139:
		tmp = x / (x + (y * math.exp((b * -1.6666666666666667))))
	else:
		tmp = x / (x + (y * math.exp((c * 1.6666666666666667))))
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if (t <= 2e-6)
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(1.3333333333333333 * Float64(b / t))))));
	elseif (t <= 1.1e+139)
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(b * -1.6666666666666667)))));
	else
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(c * 1.6666666666666667)))));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if (t <= 2e-6)
		tmp = x / (x + (y * exp((1.3333333333333333 * (b / t)))));
	elseif (t <= 1.1e+139)
		tmp = x / (x + (y * exp((b * -1.6666666666666667))));
	else
		tmp = x / (x + (y * exp((c * 1.6666666666666667))));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[LessEqual[t, 2e-6], N[(x / N[(x + N[(y * N[Exp[N[(1.3333333333333333 * N[(b / t), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[t, 1.1e+139], N[(x / N[(x + N[(y * N[Exp[N[(b * -1.6666666666666667), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x / N[(x + N[(y * N[Exp[N[(c * 1.6666666666666667), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]

Derivation

1. Split input into 3 regimes

2. if t < 1.99999999999999991e-6

   1. Initial program 91.3%

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

   3. Taylor expanded in t around 0 70.5%

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

   4. Taylor expanded in b around inf 64.9%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \frac{\color{blue}{0.6666666666666666 \cdot b}}{t}}} \]
   5. Step-by-step derivation

      1. *-commutative 64.9%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \frac{\color{blue}{b \cdot 0.6666666666666666}}{t}}} \]

   6. Simplified 64.9%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \frac{\color{blue}{b \cdot 0.6666666666666666}}{t}}} \]

   7. Taylor expanded in b around inf 64.9%

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

   if 1.99999999999999991e-6 < t < 1.1e139

   1. Initial program 100.0%

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

   3. Taylor expanded in b around inf 75.8%

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

      1. associate-*r/ 75.8%

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

      2. metadata-eval 75.8%

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

      3. +-commutative 75.8%

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

   5. Simplified 75.8%

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

   6. Taylor expanded in t around inf 75.8%

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

      1. mul-1-neg 75.8%

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

      2. +-commutative 75.8%

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

      3. distribute-rgt-neg-in 75.8%

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

      4. +-commutative 75.8%

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

      5. distribute-neg-in 75.8%

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

      6. unsub-neg 75.8%

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

      7. metadata-eval 75.8%

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

   8. Simplified 75.8%

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

   9. Taylor expanded in a around 0 70.7%

      \[\leadsto \frac{x}{x + y \cdot e^{\color{blue}{-1.6666666666666667 \cdot b}}} \]
   10. Step-by-step derivation

       1. *-commutative 70.7%

          \[\leadsto \frac{x}{x + y \cdot e^{\color{blue}{b \cdot -1.6666666666666667}}} \]

   11. Simplified 70.7%

       \[\leadsto \frac{x}{x + y \cdot e^{\color{blue}{b \cdot -1.6666666666666667}}} \]

   if 1.1e139 < t

   1. Initial program 94.4%

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

   3. Taylor expanded in c around inf 68.6%

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

      1. +-commutative 68.6%

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

      2. associate-*r/ 68.6%

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

      3. metadata-eval 68.6%

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

      4. associate-+r- 68.6%

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

   5. Simplified 68.6%

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

   6. Taylor expanded in t around inf 68.6%

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

      1. +-commutative 68.6%

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

   8. Simplified 68.6%

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

   9. Taylor expanded in a around 0 65.8%

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

4. Final simplification 66.2%

   \[\leadsto \begin{array}{l} \mathbf{if}\;t \leq 2 \cdot 10^{-6}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{1.3333333333333333 \cdot \frac{b}{t}}}\\ \mathbf{elif}\;t \leq 1.1 \cdot 10^{+139}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{b \cdot -1.6666666666666667}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{c \cdot 1.6666666666666667}}\\ \end{array} \]
5. Add Preprocessing

Alternative 8: 59.5% accurate, 1.9× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;c \leq -2 \cdot 10^{+90}:\\ \;\;\;\;1\\ \mathbf{elif}\;c \leq 3.1 \cdot 10^{+122}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{b \cdot -1.6666666666666667}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{c \cdot 1.6666666666666667}}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (<= c -2e+90)
   1.0
   (if (<= c 3.1e+122)
     (/ x (+ x (* y (exp (* b -1.6666666666666667)))))
     (/ x (+ x (* y (exp (* c 1.6666666666666667))))))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (c <= -2e+90) {
		tmp = 1.0;
	} else if (c <= 3.1e+122) {
		tmp = x / (x + (y * exp((b * -1.6666666666666667))));
	} else {
		tmp = x / (x + (y * exp((c * 1.6666666666666667))));
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if (c <= (-2d+90)) then
        tmp = 1.0d0
    else if (c <= 3.1d+122) then
        tmp = x / (x + (y * exp((b * (-1.6666666666666667d0)))))
    else
        tmp = x / (x + (y * exp((c * 1.6666666666666667d0))))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (c <= -2e+90) {
		tmp = 1.0;
	} else if (c <= 3.1e+122) {
		tmp = x / (x + (y * Math.exp((b * -1.6666666666666667))));
	} else {
		tmp = x / (x + (y * Math.exp((c * 1.6666666666666667))));
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if c <= -2e+90:
		tmp = 1.0
	elif c <= 3.1e+122:
		tmp = x / (x + (y * math.exp((b * -1.6666666666666667))))
	else:
		tmp = x / (x + (y * math.exp((c * 1.6666666666666667))))
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if (c <= -2e+90)
		tmp = 1.0;
	elseif (c <= 3.1e+122)
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(b * -1.6666666666666667)))));
	else
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(c * 1.6666666666666667)))));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if (c <= -2e+90)
		tmp = 1.0;
	elseif (c <= 3.1e+122)
		tmp = x / (x + (y * exp((b * -1.6666666666666667))));
	else
		tmp = x / (x + (y * exp((c * 1.6666666666666667))));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[LessEqual[c, -2e+90], 1.0, If[LessEqual[c, 3.1e+122], N[(x / N[(x + N[(y * N[Exp[N[(b * -1.6666666666666667), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x / N[(x + N[(y * N[Exp[N[(c * 1.6666666666666667), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]]

Derivation

1. Split input into 3 regimes

2. if c < -1.99999999999999993e90

   1. Initial program 93.2%

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

   3. Simplified 93.3%

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

   5. Taylor expanded in x around inf 69.2%

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

   if -1.99999999999999993e90 < c < 3.09999999999999999e122

   1. Initial program 95.4%

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

   3. Taylor expanded in b around inf 76.1%

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

      1. associate-*r/ 76.1%

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

      2. metadata-eval 76.1%

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

      3. +-commutative 76.1%

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

   5. Simplified 76.1%

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

   6. Taylor expanded in t around inf 64.8%

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

      1. mul-1-neg 64.8%

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

      2. +-commutative 64.8%

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

      3. distribute-rgt-neg-in 64.8%

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

      4. +-commutative 64.8%

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

      5. distribute-neg-in 64.8%

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

      6. unsub-neg 64.8%

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

      7. metadata-eval 64.8%

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

   8. Simplified 64.8%

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

   9. Taylor expanded in a around 0 60.7%

      \[\leadsto \frac{x}{x + y \cdot e^{\color{blue}{-1.6666666666666667 \cdot b}}} \]
   10. Step-by-step derivation

       1. *-commutative 60.7%

          \[\leadsto \frac{x}{x + y \cdot e^{\color{blue}{b \cdot -1.6666666666666667}}} \]

   11. Simplified 60.7%

       \[\leadsto \frac{x}{x + y \cdot e^{\color{blue}{b \cdot -1.6666666666666667}}} \]

   if 3.09999999999999999e122 < c

   1. Initial program 87.8%

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

   3. Taylor expanded in c around inf 85.8%

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

      1. +-commutative 85.8%

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

      2. associate-*r/ 85.8%

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

      3. metadata-eval 85.8%

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

      4. associate-+r- 85.8%

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

   5. Simplified 85.8%

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

   6. Taylor expanded in t around inf 66.9%

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

      1. +-commutative 66.9%

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

   8. Simplified 66.9%

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

   9. Taylor expanded in a around 0 69.3%

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

4. Final simplification 63.5%

   \[\leadsto \begin{array}{l} \mathbf{if}\;c \leq -2 \cdot 10^{+90}:\\ \;\;\;\;1\\ \mathbf{elif}\;c \leq 3.1 \cdot 10^{+122}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{b \cdot -1.6666666666666667}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{c \cdot 1.6666666666666667}}\\ \end{array} \]
5. Add Preprocessing

Alternative 9: 61.1% accurate, 1.9× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;b \leq -6.4 \cdot 10^{+47}:\\ \;\;\;\;\frac{x}{y \cdot e^{b \cdot -1.6666666666666667}}\\ \mathbf{elif}\;b \leq 0.024:\\ \;\;\;\;\frac{x}{x + y \cdot e^{c \cdot 1.6666666666666667}}\\ \mathbf{else}:\\ \;\;\;\;1\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (<= b -6.4e+47)
   (/ x (* y (exp (* b -1.6666666666666667))))
   (if (<= b 0.024) (/ x (+ x (* y (exp (* c 1.6666666666666667))))) 1.0)))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (b <= -6.4e+47) {
		tmp = x / (y * exp((b * -1.6666666666666667)));
	} else if (b <= 0.024) {
		tmp = x / (x + (y * exp((c * 1.6666666666666667))));
	} else {
		tmp = 1.0;
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if (b <= (-6.4d+47)) then
        tmp = x / (y * exp((b * (-1.6666666666666667d0))))
    else if (b <= 0.024d0) then
        tmp = x / (x + (y * exp((c * 1.6666666666666667d0))))
    else
        tmp = 1.0d0
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (b <= -6.4e+47) {
		tmp = x / (y * Math.exp((b * -1.6666666666666667)));
	} else if (b <= 0.024) {
		tmp = x / (x + (y * Math.exp((c * 1.6666666666666667))));
	} else {
		tmp = 1.0;
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if b <= -6.4e+47:
		tmp = x / (y * math.exp((b * -1.6666666666666667)))
	elif b <= 0.024:
		tmp = x / (x + (y * math.exp((c * 1.6666666666666667))))
	else:
		tmp = 1.0
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if (b <= -6.4e+47)
		tmp = Float64(x / Float64(y * exp(Float64(b * -1.6666666666666667))));
	elseif (b <= 0.024)
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(c * 1.6666666666666667)))));
	else
		tmp = 1.0;
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if (b <= -6.4e+47)
		tmp = x / (y * exp((b * -1.6666666666666667)));
	elseif (b <= 0.024)
		tmp = x / (x + (y * exp((c * 1.6666666666666667))));
	else
		tmp = 1.0;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[LessEqual[b, -6.4e+47], N[(x / N[(y * N[Exp[N[(b * -1.6666666666666667), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision], If[LessEqual[b, 0.024], N[(x / N[(x + N[(y * N[Exp[N[(c * 1.6666666666666667), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], 1.0]]

Derivation

1. Split input into 3 regimes

2. if b < -6.4e47

   1. Initial program 95.2%

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

   3. Taylor expanded in b around inf 92.3%

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

      1. associate-*r/ 92.3%

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

      2. metadata-eval 92.3%

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

      3. +-commutative 92.3%

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

   5. Simplified 92.3%

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

   6. Taylor expanded in t around inf 73.9%

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

      1. mul-1-neg 73.9%

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

      2. +-commutative 73.9%

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

      3. distribute-rgt-neg-in 73.9%

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

      4. +-commutative 73.9%

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

      5. distribute-neg-in 73.9%

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

      6. unsub-neg 73.9%

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

      7. metadata-eval 73.9%

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

   8. Simplified 73.9%

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

   9. Taylor expanded in a around 0 69.2%

      \[\leadsto \frac{x}{x + y \cdot e^{\color{blue}{-1.6666666666666667 \cdot b}}} \]
   10. Step-by-step derivation

       1. *-commutative 69.2%

          \[\leadsto \frac{x}{x + y \cdot e^{\color{blue}{b \cdot -1.6666666666666667}}} \]

   11. Simplified 69.2%

       \[\leadsto \frac{x}{x + y \cdot e^{\color{blue}{b \cdot -1.6666666666666667}}} \]

   12. Taylor expanded in x around 0 69.2%

       \[\leadsto \color{blue}{\frac{x}{y \cdot e^{-1.6666666666666667 \cdot b}}} \]

   if -6.4e47 < b < 0.024

   1. Initial program 97.8%

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

   3. Taylor expanded in c around inf 75.4%

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

      1. +-commutative 75.4%

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

      2. associate-*r/ 75.4%

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

      3. metadata-eval 75.4%

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

      4. associate-+r- 75.4%

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

   5. Simplified 75.4%

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

   6. Taylor expanded in t around inf 68.1%

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

      1. +-commutative 68.1%

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

   8. Simplified 68.1%

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

   9. Taylor expanded in a around 0 59.6%

      \[\leadsto \color{blue}{\frac{x}{x + y \cdot e^{1.6666666666666667 \cdot c}}} \]

   if 0.024 < b

   1. Initial program 83.4%

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

   3. Simplified 93.5%

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

   5. Taylor expanded in x around inf 64.5%

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

4. Final simplification 63.1%

   \[\leadsto \begin{array}{l} \mathbf{if}\;b \leq -6.4 \cdot 10^{+47}:\\ \;\;\;\;\frac{x}{y \cdot e^{b \cdot -1.6666666666666667}}\\ \mathbf{elif}\;b \leq 0.024:\\ \;\;\;\;\frac{x}{x + y \cdot e^{c \cdot 1.6666666666666667}}\\ \mathbf{else}:\\ \;\;\;\;1\\ \end{array} \]
5. Add Preprocessing

Alternative 10: 63.4% accurate, 2.0× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;t \leq 1.8 \cdot 10^{-5}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{1.3333333333333333 \cdot \frac{b}{t}}}\\ \mathbf{else}:\\ \;\;\;\;\frac{x}{x + y \cdot e^{2 \cdot \left(b \cdot \left(-0.8333333333333334 - a\right)\right)}}\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (<= t 1.8e-5)
   (/ x (+ x (* y (exp (* 1.3333333333333333 (/ b t))))))
   (/ x (+ x (* y (exp (* 2.0 (* b (- -0.8333333333333334 a)))))))))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (t <= 1.8e-5) {
		tmp = x / (x + (y * exp((1.3333333333333333 * (b / t)))));
	} else {
		tmp = x / (x + (y * exp((2.0 * (b * (-0.8333333333333334 - a))))));
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if (t <= 1.8d-5) then
        tmp = x / (x + (y * exp((1.3333333333333333d0 * (b / t)))))
    else
        tmp = x / (x + (y * exp((2.0d0 * (b * ((-0.8333333333333334d0) - a))))))
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (t <= 1.8e-5) {
		tmp = x / (x + (y * Math.exp((1.3333333333333333 * (b / t)))));
	} else {
		tmp = x / (x + (y * Math.exp((2.0 * (b * (-0.8333333333333334 - a))))));
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if t <= 1.8e-5:
		tmp = x / (x + (y * math.exp((1.3333333333333333 * (b / t)))))
	else:
		tmp = x / (x + (y * math.exp((2.0 * (b * (-0.8333333333333334 - a))))))
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if (t <= 1.8e-5)
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(1.3333333333333333 * Float64(b / t))))));
	else
		tmp = Float64(x / Float64(x + Float64(y * exp(Float64(2.0 * Float64(b * Float64(-0.8333333333333334 - a)))))));
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if (t <= 1.8e-5)
		tmp = x / (x + (y * exp((1.3333333333333333 * (b / t)))));
	else
		tmp = x / (x + (y * exp((2.0 * (b * (-0.8333333333333334 - a))))));
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[LessEqual[t, 1.8e-5], N[(x / N[(x + N[(y * N[Exp[N[(1.3333333333333333 * N[(b / t), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], N[(x / N[(x + N[(y * N[Exp[N[(2.0 * N[(b * N[(-0.8333333333333334 - a), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]], $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]]

Derivation

1. Split input into 2 regimes

2. if t < 1.80000000000000005e-5

   1. Initial program 91.3%

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

   3. Taylor expanded in t around 0 70.5%

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

   4. Taylor expanded in b around inf 64.9%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \frac{\color{blue}{0.6666666666666666 \cdot b}}{t}}} \]
   5. Step-by-step derivation

      1. *-commutative 64.9%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \frac{\color{blue}{b \cdot 0.6666666666666666}}{t}}} \]

   6. Simplified 64.9%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \frac{\color{blue}{b \cdot 0.6666666666666666}}{t}}} \]

   7. Taylor expanded in b around inf 64.9%

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

   if 1.80000000000000005e-5 < t

   1. Initial program 96.7%

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

   3. Taylor expanded in b around inf 68.9%

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

      1. associate-*r/ 68.9%

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

      2. metadata-eval 68.9%

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

      3. +-commutative 68.9%

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

   5. Simplified 68.9%

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

   6. Taylor expanded in t around inf 68.9%

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

      1. mul-1-neg 68.9%

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

      2. +-commutative 68.9%

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

      3. distribute-rgt-neg-in 68.9%

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

      4. +-commutative 68.9%

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

      5. distribute-neg-in 68.9%

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

      6. unsub-neg 68.9%

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

      7. metadata-eval 68.9%

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

   8. Simplified 68.9%

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

Alternative 11: 55.9% accurate, 9.6× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;b \leq -1.35 \cdot 10^{+70}:\\ \;\;\;\;\frac{x}{x + y \cdot \left(1 - b \cdot \left(1.6666666666666667 - b \cdot \left(1.3888888888888888 + b \cdot -0.7716049382716049\right)\right)\right)}\\ \mathbf{else}:\\ \;\;\;\;1\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (<= b -1.35e+70)
   (/
    x
    (+
     x
     (*
      y
      (-
       1.0
       (*
        b
        (-
         1.6666666666666667
         (* b (+ 1.3888888888888888 (* b -0.7716049382716049)))))))))
   1.0))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (b <= -1.35e+70) {
		tmp = x / (x + (y * (1.0 - (b * (1.6666666666666667 - (b * (1.3888888888888888 + (b * -0.7716049382716049))))))));
	} else {
		tmp = 1.0;
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if (b <= (-1.35d+70)) then
        tmp = x / (x + (y * (1.0d0 - (b * (1.6666666666666667d0 - (b * (1.3888888888888888d0 + (b * (-0.7716049382716049d0)))))))))
    else
        tmp = 1.0d0
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (b <= -1.35e+70) {
		tmp = x / (x + (y * (1.0 - (b * (1.6666666666666667 - (b * (1.3888888888888888 + (b * -0.7716049382716049))))))));
	} else {
		tmp = 1.0;
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if b <= -1.35e+70:
		tmp = x / (x + (y * (1.0 - (b * (1.6666666666666667 - (b * (1.3888888888888888 + (b * -0.7716049382716049))))))))
	else:
		tmp = 1.0
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if (b <= -1.35e+70)
		tmp = Float64(x / Float64(x + Float64(y * Float64(1.0 - Float64(b * Float64(1.6666666666666667 - Float64(b * Float64(1.3888888888888888 + Float64(b * -0.7716049382716049)))))))));
	else
		tmp = 1.0;
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if (b <= -1.35e+70)
		tmp = x / (x + (y * (1.0 - (b * (1.6666666666666667 - (b * (1.3888888888888888 + (b * -0.7716049382716049))))))));
	else
		tmp = 1.0;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[LessEqual[b, -1.35e+70], N[(x / N[(x + N[(y * N[(1.0 - N[(b * N[(1.6666666666666667 - N[(b * N[(1.3888888888888888 + N[(b * -0.7716049382716049), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], 1.0]

Derivation

1. Split input into 2 regimes

2. if b < -1.35e70

   1. Initial program 94.9%

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

   3. Taylor expanded in b around inf 91.8%

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

      1. associate-*r/ 91.8%

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

      2. metadata-eval 91.8%

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

      3. +-commutative 91.8%

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

   5. Simplified 91.8%

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

   6. Taylor expanded in t around inf 73.7%

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

      1. mul-1-neg 73.7%

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

      2. +-commutative 73.7%

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

      3. distribute-rgt-neg-in 73.7%

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

      4. +-commutative 73.7%

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

      5. distribute-neg-in 73.7%

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

      6. unsub-neg 73.7%

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

      7. metadata-eval 73.7%

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

   8. Simplified 73.7%

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

   9. Taylor expanded in a around 0 70.4%

      \[\leadsto \frac{x}{x + y \cdot e^{\color{blue}{-1.6666666666666667 \cdot b}}} \]
   10. Step-by-step derivation

       1. *-commutative 70.4%

          \[\leadsto \frac{x}{x + y \cdot e^{\color{blue}{b \cdot -1.6666666666666667}}} \]

   11. Simplified 70.4%

       \[\leadsto \frac{x}{x + y \cdot e^{\color{blue}{b \cdot -1.6666666666666667}}} \]

   12. Taylor expanded in b around 0 70.5%

       \[\leadsto \frac{x}{x + y \cdot \color{blue}{\left(1 + b \cdot \left(b \cdot \left(1.3888888888888888 + -0.7716049382716049 \cdot b\right) - 1.6666666666666667\right)\right)}} \]

   if -1.35e70 < b

   1. Initial program 93.4%

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

   3. Simplified 96.5%

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

   5. Taylor expanded in x around inf 55.3%

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

4. Final simplification 58.8%

   \[\leadsto \begin{array}{l} \mathbf{if}\;b \leq -1.35 \cdot 10^{+70}:\\ \;\;\;\;\frac{x}{x + y \cdot \left(1 - b \cdot \left(1.6666666666666667 - b \cdot \left(1.3888888888888888 + b \cdot -0.7716049382716049\right)\right)\right)}\\ \mathbf{else}:\\ \;\;\;\;1\\ \end{array} \]
5. Add Preprocessing

Alternative 12: 49.7% accurate, 10.0× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;t \leq -7.5 \cdot 10^{-46}:\\ \;\;\;\;1\\ \mathbf{elif}\;t \leq -8.8 \cdot 10^{-302}:\\ \;\;\;\;\frac{x}{x + y \cdot \left(1.3333333333333333 \cdot \frac{b}{t} + 1\right)}\\ \mathbf{else}:\\ \;\;\;\;1\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (<= t -7.5e-46)
   1.0
   (if (<= t -8.8e-302)
     (/ x (+ x (* y (+ (* 1.3333333333333333 (/ b t)) 1.0))))
     1.0)))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (t <= -7.5e-46) {
		tmp = 1.0;
	} else if (t <= -8.8e-302) {
		tmp = x / (x + (y * ((1.3333333333333333 * (b / t)) + 1.0)));
	} else {
		tmp = 1.0;
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if (t <= (-7.5d-46)) then
        tmp = 1.0d0
    else if (t <= (-8.8d-302)) then
        tmp = x / (x + (y * ((1.3333333333333333d0 * (b / t)) + 1.0d0)))
    else
        tmp = 1.0d0
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (t <= -7.5e-46) {
		tmp = 1.0;
	} else if (t <= -8.8e-302) {
		tmp = x / (x + (y * ((1.3333333333333333 * (b / t)) + 1.0)));
	} else {
		tmp = 1.0;
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if t <= -7.5e-46:
		tmp = 1.0
	elif t <= -8.8e-302:
		tmp = x / (x + (y * ((1.3333333333333333 * (b / t)) + 1.0)))
	else:
		tmp = 1.0
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if (t <= -7.5e-46)
		tmp = 1.0;
	elseif (t <= -8.8e-302)
		tmp = Float64(x / Float64(x + Float64(y * Float64(Float64(1.3333333333333333 * Float64(b / t)) + 1.0))));
	else
		tmp = 1.0;
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if (t <= -7.5e-46)
		tmp = 1.0;
	elseif (t <= -8.8e-302)
		tmp = x / (x + (y * ((1.3333333333333333 * (b / t)) + 1.0)));
	else
		tmp = 1.0;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[LessEqual[t, -7.5e-46], 1.0, If[LessEqual[t, -8.8e-302], N[(x / N[(x + N[(y * N[(N[(1.3333333333333333 * N[(b / t), $MachinePrecision]), $MachinePrecision] + 1.0), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], 1.0]]

Derivation

1. Split input into 2 regimes

2. if t < -7.50000000000000027e-46 or -8.8000000000000003e-302 < t

   1. Initial program 95.9%

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

   3. Simplified 98.2%

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

   5. Taylor expanded in x around inf 54.7%

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

   if -7.50000000000000027e-46 < t < -8.8000000000000003e-302

   1. Initial program 80.6%

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

   3. Taylor expanded in t around 0 97.3%

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

   4. Taylor expanded in b around inf 62.6%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \frac{\color{blue}{0.6666666666666666 \cdot b}}{t}}} \]
   5. Step-by-step derivation

      1. *-commutative 62.6%

         \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \frac{\color{blue}{b \cdot 0.6666666666666666}}{t}}} \]

   6. Simplified 62.6%

      \[\leadsto \frac{x}{x + y \cdot e^{2 \cdot \frac{\color{blue}{b \cdot 0.6666666666666666}}{t}}} \]

   7. Taylor expanded in b around 0 67.0%

      \[\leadsto \frac{x}{x + y \cdot \color{blue}{\left(1 + 1.3333333333333333 \cdot \frac{b}{t}\right)}} \]
3. Recombined 2 regimes into one program.

4. Final simplification 56.4%

   \[\leadsto \begin{array}{l} \mathbf{if}\;t \leq -7.5 \cdot 10^{-46}:\\ \;\;\;\;1\\ \mathbf{elif}\;t \leq -8.8 \cdot 10^{-302}:\\ \;\;\;\;\frac{x}{x + y \cdot \left(1.3333333333333333 \cdot \frac{b}{t} + 1\right)}\\ \mathbf{else}:\\ \;\;\;\;1\\ \end{array} \]
5. Add Preprocessing

Alternative 13: 54.5% accurate, 11.5× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;b \leq -1 \cdot 10^{+167}:\\ \;\;\;\;\frac{x}{x - y \cdot \left(-1 - b \cdot \left(b \cdot 1.3888888888888888 - 1.6666666666666667\right)\right)}\\ \mathbf{else}:\\ \;\;\;\;1\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (<= b -1e+167)
   (/
    x
    (- x (* y (- -1.0 (* b (- (* b 1.3888888888888888) 1.6666666666666667))))))
   1.0))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (b <= -1e+167) {
		tmp = x / (x - (y * (-1.0 - (b * ((b * 1.3888888888888888) - 1.6666666666666667)))));
	} else {
		tmp = 1.0;
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if (b <= (-1d+167)) then
        tmp = x / (x - (y * ((-1.0d0) - (b * ((b * 1.3888888888888888d0) - 1.6666666666666667d0)))))
    else
        tmp = 1.0d0
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (b <= -1e+167) {
		tmp = x / (x - (y * (-1.0 - (b * ((b * 1.3888888888888888) - 1.6666666666666667)))));
	} else {
		tmp = 1.0;
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if b <= -1e+167:
		tmp = x / (x - (y * (-1.0 - (b * ((b * 1.3888888888888888) - 1.6666666666666667)))))
	else:
		tmp = 1.0
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if (b <= -1e+167)
		tmp = Float64(x / Float64(x - Float64(y * Float64(-1.0 - Float64(b * Float64(Float64(b * 1.3888888888888888) - 1.6666666666666667))))));
	else
		tmp = 1.0;
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if (b <= -1e+167)
		tmp = x / (x - (y * (-1.0 - (b * ((b * 1.3888888888888888) - 1.6666666666666667)))));
	else
		tmp = 1.0;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[LessEqual[b, -1e+167], N[(x / N[(x - N[(y * N[(-1.0 - N[(b * N[(N[(b * 1.3888888888888888), $MachinePrecision] - 1.6666666666666667), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], 1.0]

Derivation

1. Split input into 2 regimes

2. if b < -1e167

   1. Initial program 94.7%

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

   3. Taylor expanded in b around inf 97.5%

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

      1. associate-*r/ 97.5%

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

      2. metadata-eval 97.5%

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

      3. +-commutative 97.5%

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

   5. Simplified 97.5%

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

   6. Taylor expanded in t around inf 79.6%

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

      1. mul-1-neg 79.6%

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

      2. +-commutative 79.6%

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

      3. distribute-rgt-neg-in 79.6%

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

      4. +-commutative 79.6%

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

      5. distribute-neg-in 79.6%

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

      6. unsub-neg 79.6%

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

      7. metadata-eval 79.6%

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

   8. Simplified 79.6%

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

   9. Taylor expanded in a around 0 77.1%

      \[\leadsto \frac{x}{x + y \cdot e^{\color{blue}{-1.6666666666666667 \cdot b}}} \]
   10. Step-by-step derivation

       1. *-commutative 77.1%

          \[\leadsto \frac{x}{x + y \cdot e^{\color{blue}{b \cdot -1.6666666666666667}}} \]

   11. Simplified 77.1%

       \[\leadsto \frac{x}{x + y \cdot e^{\color{blue}{b \cdot -1.6666666666666667}}} \]

   12. Taylor expanded in b around 0 77.1%

       \[\leadsto \frac{x}{x + y \cdot \color{blue}{\left(1 + b \cdot \left(1.3888888888888888 \cdot b - 1.6666666666666667\right)\right)}} \]

   if -1e167 < b

   1. Initial program 93.6%

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

   3. Simplified 95.9%

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

   5. Taylor expanded in x around inf 54.2%

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

4. Final simplification 57.6%

   \[\leadsto \begin{array}{l} \mathbf{if}\;b \leq -1 \cdot 10^{+167}:\\ \;\;\;\;\frac{x}{x - y \cdot \left(-1 - b \cdot \left(b \cdot 1.3888888888888888 - 1.6666666666666667\right)\right)}\\ \mathbf{else}:\\ \;\;\;\;1\\ \end{array} \]
5. Add Preprocessing

Alternative 14: 49.6% accurate, 12.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;y \leq -2.1 \cdot 10^{+54}:\\ \;\;\;\;\frac{x}{x + \left(y - 2 \cdot \left(b \cdot \left(y \cdot a\right)\right)\right)}\\ \mathbf{else}:\\ \;\;\;\;1\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (<= y -2.1e+54) (/ x (+ x (- y (* 2.0 (* b (* y a)))))) 1.0))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (y <= -2.1e+54) {
		tmp = x / (x + (y - (2.0 * (b * (y * a)))));
	} else {
		tmp = 1.0;
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if (y <= (-2.1d+54)) then
        tmp = x / (x + (y - (2.0d0 * (b * (y * a)))))
    else
        tmp = 1.0d0
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (y <= -2.1e+54) {
		tmp = x / (x + (y - (2.0 * (b * (y * a)))));
	} else {
		tmp = 1.0;
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if y <= -2.1e+54:
		tmp = x / (x + (y - (2.0 * (b * (y * a)))))
	else:
		tmp = 1.0
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if (y <= -2.1e+54)
		tmp = Float64(x / Float64(x + Float64(y - Float64(2.0 * Float64(b * Float64(y * a))))));
	else
		tmp = 1.0;
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if (y <= -2.1e+54)
		tmp = x / (x + (y - (2.0 * (b * (y * a)))));
	else
		tmp = 1.0;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[LessEqual[y, -2.1e+54], N[(x / N[(x + N[(y - N[(2.0 * N[(b * N[(y * a), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision]), $MachinePrecision], 1.0]

Derivation

1. Split input into 2 regimes

2. if y < -2.09999999999999986e54

   1. Initial program 89.9%

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

   3. Taylor expanded in b around inf 67.4%

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

      1. associate-*r/ 67.4%

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

      2. metadata-eval 67.4%

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

      3. +-commutative 67.4%

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

   5. Simplified 67.4%

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

   6. Taylor expanded in b around 0 59.7%

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

   7. Taylor expanded in a around inf 57.6%

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

      1. associate-*r* 57.6%

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

      2. neg-mul-1 57.6%

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

   9. Simplified 57.6%

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

   if -2.09999999999999986e54 < y

   1. Initial program 94.9%

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

   3. Simplified 97.5%

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

   5. Taylor expanded in x around inf 54.8%

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

4. Final simplification 55.4%

   \[\leadsto \begin{array}{l} \mathbf{if}\;y \leq -2.1 \cdot 10^{+54}:\\ \;\;\;\;\frac{x}{x + \left(y - 2 \cdot \left(b \cdot \left(y \cdot a\right)\right)\right)}\\ \mathbf{else}:\\ \;\;\;\;1\\ \end{array} \]
5. Add Preprocessing

Alternative 15: 51.1% accurate, 19.2× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;y \leq -4.5 \cdot 10^{+181}:\\ \;\;\;\;\left(1 + \frac{x}{y}\right) + -1\\ \mathbf{else}:\\ \;\;\;\;1\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (<= y -4.5e+181) (+ (+ 1.0 (/ x y)) -1.0) 1.0))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (y <= -4.5e+181) {
		tmp = (1.0 + (x / y)) + -1.0;
	} else {
		tmp = 1.0;
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if (y <= (-4.5d+181)) then
        tmp = (1.0d0 + (x / y)) + (-1.0d0)
    else
        tmp = 1.0d0
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (y <= -4.5e+181) {
		tmp = (1.0 + (x / y)) + -1.0;
	} else {
		tmp = 1.0;
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if y <= -4.5e+181:
		tmp = (1.0 + (x / y)) + -1.0
	else:
		tmp = 1.0
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if (y <= -4.5e+181)
		tmp = Float64(Float64(1.0 + Float64(x / y)) + -1.0);
	else
		tmp = 1.0;
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if (y <= -4.5e+181)
		tmp = (1.0 + (x / y)) + -1.0;
	else
		tmp = 1.0;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[LessEqual[y, -4.5e+181], N[(N[(1.0 + N[(x / y), $MachinePrecision]), $MachinePrecision] + -1.0), $MachinePrecision], 1.0]

Derivation

1. Split input into 2 regimes

2. if y < -4.5e181

   1. Initial program 86.3%

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

   3. Taylor expanded in b around inf 66.6%

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

      1. associate-*r/ 66.6%

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

      2. metadata-eval 66.6%

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

      3. +-commutative 66.6%

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

   5. Simplified 66.6%

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

   6. Taylor expanded in b around 0 43.9%

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

   7. Taylor expanded in x around 0 40.5%

      \[\leadsto \color{blue}{\frac{x}{y}} \]
   8. Step-by-step derivation

      1. expm1-log1p-u 40.3%

         \[\leadsto \color{blue}{\mathsf{expm1}\left(\mathsf{log1p}\left(\frac{x}{y}\right)\right)} \]

      2. log1p-define 66.3%

         \[\leadsto \mathsf{expm1}\left(\color{blue}{\log \left(1 + \frac{x}{y}\right)}\right) \]

      3. expm1-undefine 66.3%

         \[\leadsto \color{blue}{e^{\log \left(1 + \frac{x}{y}\right)} - 1} \]

      4. add-exp-log 66.6%

         \[\leadsto \color{blue}{\left(1 + \frac{x}{y}\right)} - 1 \]

      5. +-commutative 66.6%

         \[\leadsto \color{blue}{\left(\frac{x}{y} + 1\right)} - 1 \]

   9. Applied egg-rr 66.6%

      \[\leadsto \color{blue}{\left(\frac{x}{y} + 1\right) - 1} \]

   if -4.5e181 < y

   1. Initial program 94.7%

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

   3. Simplified 97.4%

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

   5. Taylor expanded in x around inf 53.1%

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

4. Final simplification 54.6%

   \[\leadsto \begin{array}{l} \mathbf{if}\;y \leq -4.5 \cdot 10^{+181}:\\ \;\;\;\;\left(1 + \frac{x}{y}\right) + -1\\ \mathbf{else}:\\ \;\;\;\;1\\ \end{array} \]
5. Add Preprocessing

Alternative 16: 49.9% accurate, 23.1× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;y \leq -9.6 \cdot 10^{+174}:\\ \;\;\;\;\frac{x}{x + y}\\ \mathbf{else}:\\ \;\;\;\;1\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c)
 :precision binary64
 (if (<= y -9.6e+174) (/ x (+ x y)) 1.0))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (y <= -9.6e+174) {
		tmp = x / (x + y);
	} else {
		tmp = 1.0;
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if (y <= (-9.6d+174)) then
        tmp = x / (x + y)
    else
        tmp = 1.0d0
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (y <= -9.6e+174) {
		tmp = x / (x + y);
	} else {
		tmp = 1.0;
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if y <= -9.6e+174:
		tmp = x / (x + y)
	else:
		tmp = 1.0
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if (y <= -9.6e+174)
		tmp = Float64(x / Float64(x + y));
	else
		tmp = 1.0;
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if (y <= -9.6e+174)
		tmp = x / (x + y);
	else
		tmp = 1.0;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[LessEqual[y, -9.6e+174], N[(x / N[(x + y), $MachinePrecision]), $MachinePrecision], 1.0]

Derivation

1. Split input into 2 regimes

2. if y < -9.5999999999999993e174

   1. Initial program 87.2%

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

   3. Taylor expanded in b around inf 65.6%

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

      1. associate-*r/ 65.6%

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

      2. metadata-eval 65.6%

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

      3. +-commutative 65.6%

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

   5. Simplified 65.6%

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

   6. Taylor expanded in b around 0 44.6%

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

   if -9.5999999999999993e174 < y

   1. Initial program 94.7%

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

   3. Simplified 97.4%

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

   5. Taylor expanded in x around inf 53.1%

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

Alternative 17: 49.2% accurate, 28.8× speedup

Math

\[\begin{array}{l} \\ \begin{array}{l} \mathbf{if}\;y \leq -9.5 \cdot 10^{+174}:\\ \;\;\;\;\frac{x}{y}\\ \mathbf{else}:\\ \;\;\;\;1\\ \end{array} \end{array} \]

FPCore

(FPCore (x y z t a b c) :precision binary64 (if (<= y -9.5e+174) (/ x y) 1.0))

C

double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (y <= -9.5e+174) {
		tmp = x / y;
	} else {
		tmp = 1.0;
	}
	return tmp;
}

Fortran

real(8) function code(x, y, z, t, a, b, c)
    real(8), intent (in) :: x
    real(8), intent (in) :: y
    real(8), intent (in) :: z
    real(8), intent (in) :: t
    real(8), intent (in) :: a
    real(8), intent (in) :: b
    real(8), intent (in) :: c
    real(8) :: tmp
    if (y <= (-9.5d+174)) then
        tmp = x / y
    else
        tmp = 1.0d0
    end if
    code = tmp
end function

Java

public static double code(double x, double y, double z, double t, double a, double b, double c) {
	double tmp;
	if (y <= -9.5e+174) {
		tmp = x / y;
	} else {
		tmp = 1.0;
	}
	return tmp;
}

Python

def code(x, y, z, t, a, b, c):
	tmp = 0
	if y <= -9.5e+174:
		tmp = x / y
	else:
		tmp = 1.0
	return tmp

Julia

function code(x, y, z, t, a, b, c)
	tmp = 0.0
	if (y <= -9.5e+174)
		tmp = Float64(x / y);
	else
		tmp = 1.0;
	end
	return tmp
end

MATLAB

function tmp_2 = code(x, y, z, t, a, b, c)
	tmp = 0.0;
	if (y <= -9.5e+174)
		tmp = x / y;
	else
		tmp = 1.0;
	end
	tmp_2 = tmp;
end

Wolfram

code[x_, y_, z_, t_, a_, b_, c_] := If[LessEqual[y, -9.5e+174], N[(x / y), $MachinePrecision], 1.0]

Derivation

1. Split input into 2 regimes

2. if y < -9.4999999999999992e174

   1. Initial program 87.2%

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

   3. Taylor expanded in b around inf 65.6%

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

      1. associate-*r/ 65.6%

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

      2. metadata-eval 65.6%

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

      3. +-commutative 65.6%

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

   5. Simplified 65.6%

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

   6. Taylor expanded in b around 0 44.6%

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

   7. Taylor expanded in x around 0 41.4%

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

   if -9.4999999999999992e174 < y

   1. Initial program 94.7%

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

   3. Simplified 97.4%

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

   5. Taylor expanded in x around inf 53.1%

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

Alternative 18: 51.6% accurate, 231.0× speedup

Math

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

FPCore

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

C

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

Fortran

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

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

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

Derivation

1. Initial program 93.8%

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

3. Simplified 96.5%

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

5. Taylor expanded in x around inf 50.1%

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

Developer Target 1: 95.1% accurate, 0.9× speedup

Math

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

FPCore

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

C

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

Fortran

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

Java

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

Python

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

Julia

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

MATLAB

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

Wolfram

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

Reproduce

herbie shell --seed 2024137 
(FPCore (x y z t a b c)
  :name "Numeric.SpecFunctions:invIncompleteBetaWorker from math-functions-0.1.5.2, I"
  :precision binary64

  :alt
  (! :herbie-platform default (if (< t -2118326644891581/100000000000000000000000000000000000000000000000000000000000000000) (/ x (+ x (* y (exp (* 2 (- (+ (* a c) (* 4166666666666667/5000000000000000 c)) (* a b))))))) (if (< t 5196588770651547/1000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000) (/ x (+ x (* y (exp (* 2 (/ (- (* (* z (sqrt (+ t a))) (* (* 3 t) (- a (/ 5 6)))) (* (- (* (+ (/ 5 6) a) (* 3 t)) 2) (* (- a (/ 5 6)) (* (- b c) t)))) (* (* (* t t) 3) (- a (/ 5 6))))))))) (/ x (+ x (* y (exp (* 2 (- (/ (* z (sqrt (+ t a))) t) (* (- b c) (- (+ a (/ 5 6)) (/ 2 (* t 3)))))))))))))

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