An improved genetic algorithm with a local optimization strategy and an extra mutation level for solving traveling salesman problem
旅行商问题（TSP）在大多数情况下被证明是NP完全的。遗传算法（GA）是解决这一问题最有效的算法之一。本文比较了传统遗传算法和改进的混合遗传算法在求解TSP问题中的性能。改进的遗传算法或混合遗传算法由传统遗传算法和两种局部优化策略组成。第一种策略是抽取包含四个样本城市的所有序列组，并将两个中心城市相互替换。第二种局部优化策略类似于额外的变异过程。在该步骤中，以低概率选择样本。在这个样本中，定义了两个随机城市，这些城市之间的路径是反向的。计算结果表明，该方法也发现更好的路径比传统的遗传算法在可接受的计算时间。
2014-09-10 cs.NE
Enhancing Genetic Algorithms using Multi Mutations
Mutah University（穆塔大学）；Al-Hussein Bin Talal University（侯赛因·本·塔拉勒大学）
变异是遗传算法中最重要的阶段之一，它影响全局最优解的探索，克服早熟收敛。突变的类型有很多，问题在于选择合适的类型，在这种情况下，决定变得更加困难，需要更多的试验和错误。本文研究了使用多个变异算子来提高遗传算法的性能。提出了新的变异算子，并给出了两种变异算子的选择策略，一种是基于最优变异算子的选择策略，另一种是随机选择变异算子的策略。对旅行商问题（TSP）进行了几个实验来评估所提出的方法，并将其与著名的交换变异和重排变异进行了比较。结果表明，一些建议的方法的重要性，除了显着增强的遗传算法的性能，特别是当使用一个以上的变异算子。
2018-01-10 cs.AI cs.NE
A Rank based Adaptive Mutation in Genetic Algorithm
IBM India Pvt. Ltd.（IBM印度私人有限公司）
传统的遗传算法已被用于优化单峰和多峰函数。早期的研究人员使用恒定概率的GA控制算子，如交叉，变异等，以调整特定领域的优化。最近在这一领域的进展见证了自适应方法的概率确定。在自适应变异中，主要利用较差个体来探索状态空间，因此变异概率通常与最佳染色体与其自身的适应度之差（fMAX-f）成比例地产生。然而，这种方法在优化期间容易受到适应度分布的性质的影响。本文提出了一种利用染色体秩产生突变概率的方法，以避免对适应度分布的敏感性。通过实验比较了固定变异概率的简单遗传算法（SGA）和有限资源约束下的自适应算法对单峰函数、多峰函数和旅行商问题（TSP）的求解结果。测量的平均最佳适应度，进化的代数和百分比的全球最佳成就了几个试验。结果表明，基于秩的自适应变异方法是优于基于适应度的自适应方法以及SGA在多模态问题空间。
2021-04-18 cs.AI cs.NE
Benchmarking a $(μ+λ)$ Genetic Algorithm with Configurable Crossover Probability
我们调查了一个家庭的$(μ+λ)$遗传算法（GAs），它创建后代无论是从突变或重组两个随机选择的父母。通过缩放交叉概率，我们可以从完全仅变异的算法向完全基于交叉的GA插值。我们分析，通过实证手段，性能如何取决于人口规模和交叉概率的相互作用。我们对25个伪布尔优化问题的比较揭示了基于交叉的配置在几个简单的优化任务上的优势，而更复杂的优化问题的情况则是混合的。此外，我们观察到，“快速”的变异方案，其幂律分布的变异强度优于标准位变异复杂的优化任务时，它与交叉相结合，但在没有交叉的情况下表现较差。然后，我们仔细研究了基于交叉的$(μ+λ)$ GA在著名的LeadingOnes基准问题上令人惊讶的良好性能。我们观察到，最佳的交叉概率随着人口规模的增加而增加$μ$。同时，它随着问题维数的增加而减小，表明交叉的优势在经典应用于运行时分析的渐近视图中是不可见的。因此，我们认为，固定尺寸的数学调查可能会帮助我们观察到的效果是不可见的，当专注于渐近性能界限。
2020-06-10 cs.NE
Novel Methods for Enhancing the Performance of Genetic Algorithms
在本文中，我们提出了新的交叉算子，即：最差基因切割（COWGC），最差L+R基因切割（COWLRGC）和碰撞交叉。我们还提出了几种类型的变异算子，如：最差随机基因突变基因（WGWRGM）、最差随机基因突变LR基因最差基因突变（WLRGWRGM）、具有最差基因突变的最差基因（WGWWGM）、具有最近邻突变的最差基因（WGWNNM）、具有最差最近邻附近突变的最差基因（WGWWNNM）、在最近邻突变旁边插入的最差基因（WGIBNNM），随机基因插入最近邻突变旁（RGIBNNM）、交换最差基因局部突变（SWGLM）、在最差基因突变前插入最佳随机基因（IBRGBWGM）和在随机基因突变前插入最佳随机基因（IBRGBRGM）。提出了选择任意交叉（SAC）、选择任意变异（SAM）、选择最佳交叉（SBC）和选择最佳变异（SBM）四种选择策略。前两种策略分别基于最佳交叉算子和变异算子的选择，后两种策略随机选择任何算子。因此，我们研究使用一个以上的交叉/变异算子（基于所提出的策略），以提高遗传算法的性能。我们的实验，进行了几个旅行商问题（TSP），显示了一些所提出的方法在交叉和变异的一些著名的交叉和变异算子在文献中描述的优越性。此外，使用四种策略（SAC，SAM，SBC和SBM）中的任何一种，都比使用一种交叉/变异算子更好，因为这些策略允许GA避免局部最优，或所谓的早熟收敛。关键词：遗传算法，碰撞交叉…
2018-01-25 cs.AI cs.NE
Direct Mutation and Crossover in Genetic Algorithms Applied to Reinforcement Learning Tasks
University of Birmingham（伯明翰大学）；Technology Innovation Institute（技术创新研究院）
神经进化最近被证明在强化学习（RL）设置中具有相当的竞争力，并且能够减轻基于梯度的方法的一些缺点。本文将集中于应用神经进化，使用一个简单的遗传算法（GA），以找到一个神经网络，产生最佳行为代理的权重。此外，我们提出了两个新的修改，提高了数据效率和收敛速度相比，初始实现。这些修改在OpenAI gym提供的FrozenLake环境中进行了评估，并证明明显优于基线方法。
2022-01-19 cs.LG cs.NE
Analyzing the Performance of Mutation Operators to Solve the Travelling Salesman Problem
遗传算法包含了一些需要调整的参数，这样才能得到可靠的结果。选择一个代表性的问题，初始人口，选择方法，交叉算子，变异算子，交叉和变异的概率，插入方法创建一个变种的遗传算法。我们的工作是这个角度的答案的一部分，找到这个组合问题的解决方案。用遗传算法求解旅行商问题（TSP）时，最佳参数是什么？在本文中，我们提出了一个不同的变异算子的比较分析，周围的扩大讨论，证明遗传算子选择解决TSP问题的相关性。
2012-03-14 cs.CE cs.NE
Self-Replication, Spontaneous Mutations, and Exponential Genetic Drift in Neural Cellular Automata
Sony Computer Science Laboratories（索尼计算机科学实验室）；National Institute for Basic Biology（日本基础生物学研究所）
本文首次利用神经细胞自动机实现了自我复制、自发突变和指数遗传漂变，即使模型未受显式训练且自动机是确定性的，也展现出进化动力学，从而拓展了变异空间与开放式进化的机会。
2023-05-22 cs.LG cs.NE q-bio.PE
Rotational Mutation Genetic Algorithm on optimization Problems
最优化问题在各专业中有着广泛的应用，但在计算上存在着一定的问题.在具有上述维数的空间中计算最优点是非常耗时的。本文提出了一种新的旋转变异连续函数优化方法RM。该算法通过精英主义机制从具有最佳适应值的点出发。然后，采用旋转变异的方法来达到最优点。本文用遗传算法（简称RMGA）实现了RM算法，并与其他著名的算法DE、PGA、Grefensstette和Eshelman [15，16]进行了比较，数值和仿真结果表明RMGA以更少的代数实现了更多的决策，达到了全局最优点。
2013-07-22 cs.NE math.OC
The $(1+(λ,λ))$ Genetic Algorithm for Permutations
$(1+(λ,λ))$遗传算法是基于理论发现的见解而开发的进化算法的一个明亮的例子。该算法使用交叉，并且即使在OneMax这样的简单问题上，它也被证明渐近优于所有基于变异的进化算法。随后，它被研究了一些其他问题，但所有这些都是伪布尔。我们的目的是改善这种情况，提出了适应的$(1+(λ,λ))$遗传算法置换为基础的问题。这种适应是必需的，因为置换在某些关键方面与位串明显不同，例如可能的突变的数量及其相互依赖性。我们还提出了该算法的第一个运行时分析的置换为基础的问题，称为火腿，其属性类似于OneMax的。在这个问题上，其中简单的基于变异的算法具有问题大小$n$的$Θ(n^2 \log n)$的运行时间，$(1+(λ,λ))$遗传算法在$O(n^2)$适应度查询中找到最优。实验结果表明，该算法在实际应用中也是快速的.
2020-05-10 cs.NE
Applications of Gaussian Mutation for Self Adaptation in Evolutionary Genetic Algorithms
Harvard Medical School-MIT（哈佛医学院-麻省理工学院）；Moravian Academy Upper School（摩拉维亚学院高中部）
近年来，由于需要更强大的计算方法，优化问题变得越来越普遍。随着人工智能等技术的出现，需要新的元算法来增强经典算法的能力。最近，研究人员一直在研究查尔斯·达尔文的自然选择和进化理论，将其作为使用机器学习增强当前方法的一种手段。1960年，第一个遗传算法由John H.荷兰和他的学生。我们探讨的数学直觉的遗传算法在开发系统能够使用高斯变异，以及其在解决优化问题的影响。
2022-01-05 cs.LG cs.NE math.OC
Fast Mutation in Crossover-based Algorithms
Doerr，Le，Makhmara和Nguyen（GECCO 2017）提出的重尾突变算子，称为\emph{fast mutation}，以与以前使用的语言保持一致，到目前为止仅在基于突变的算法中被证明是有利的。在那里，它可以减轻算法设计者寻找最佳变异率，但仍然获得接近最佳变异率的性能。在这第一次运行时分析的交叉为基础的算法使用重尾选择的突变率，我们表现出更强的影响。对于优化OneMax基准函数的$(1+(λ,λ))$遗传算法，我们证明了具有重尾突变率的线性运行时间可以实现。这是渐近快于可以获得任何静态突变率，并渐近相当于运行时的自调整版本的参数选择的$(1+(λ,λ))$遗传算法。这一结果是补充的实证研究，表明快速变异的有效性，也随机满足最大3SAT的情况下。
2022-03-01 cs.NE
Genetic Programming with Transformer-Based Mutation for Approximate Circuit Design
Brno University of Technology, Faculty of Information Technology（布拉格技术大学信息科技学院）
本文提出了一种基于变压器的突变算子，用于改进遗传编程在近似算术电路自动设计中的进化设计和优化过程，通过混合方案防止电路近似过程停滞，并在多个目标误差约束下优于EvoApproxLib库中的现有高优化设计。
2026-05-20 cs.LG cs.NE
A quantum genetic algorithm with quantum crossover and mutation operations
在字面意义上的进化量子计算的上下文中，迄今为止还没有引入量子交叉操作。在这里，我们介绍了一种新的量子遗传算法，它有一个量子交叉程序执行交叉之间的所有染色体并行每一代。复杂度分析表明，在处理每一代的运行时间的主导因素上，与经典算法相比，该算法实现了二次加速。
2013-11-22 cs.NE quant-ph
How Crossover Speeds Up Building-Block Assembly in Genetic Algorithms
我们重新调查一个基本的问题：如何有效的交叉在遗传算法结合积木的好的解决方案？虽然这已经讨论了几十年的争议，我们仍然缺乏一个严格和直观的答案。我们为皇家道路功能和OneMax提供了这样的答案，其中每一位都是构建块。对于后者，我们表明，使用交叉使每一个（$μ$ + $λ$）遗传算法的速度至少是最快的进化算法的两倍，只使用标准位变异，小的顺序条款和中度$μ$和$λ$。交叉是有益的，因为它通过在后期结合正确的构建模块，有效地将适应度中性突变转化为改进。与基于变异的进化算法相比，这使得多位变异更有用。引入交叉将OneMax上的最佳变异率从$1/n$更改为$(1+\sqrt{5})/2 \cdot 1/n \approx 1.618/n$。这适用于均匀交叉和$k$点交叉。实验和统计测试证实，我们的研究结果适用于广泛的一类积木功能。
2014-11-26 cs.DS cs.NE
An upper bound of the mutation probability in the genetic algorithm for general 0-1 knapsack problem
针对遗传算法中变异概率缺乏理论指导的问题，提出基于NP≠P假设的约简方法和改进变异算子，给出一般0-1背包问题变异概率上界，并证明新算子单次迭代命中最优解的概率优于传统算子。
2024-03-17 cs.CC cs.GT cs.NE
Local Search, Semantics, and Genetic Programming: a Global Analysis
本文系统分析了 GSGP 中带局部搜索的变异算子 GSM-LS 和 GSGP-reg 的过拟合问题，发现只要采用正则化等控制过拟合的技术，即可在训练和未见数据上持续优于标准 GSGP。
2023-05-26 cs.NE
Genetic Algorithm enhanced by Deep Reinforcement Learning in parent selection mechanism and mutation : Minimizing makespan in permutation flow shop scheduling problems
Ecole Nationale Supérieure d'Informatique（国家高等信息学院）
本文提出 RL+GA 混合方法，利用 Q-learning 或 Sarsa(0) 动态控制遗传算法的父代选择与变异概率，在置换流水车间调度中相比静态参数配置获得更优解并保持种群多样性。
2024-01-17 cs.AI cs.NE
A Genetic Algorithm with Tree-structured Mutation for Hyperparameter Optimisation of Graph Neural Networks
Heriot-Watt University（赫瑞-瓦特大学）
近年来，图神经网络（GNNs）由于具有处理图相关问题的优异能力而受到越来越多的关注。在实践中，超参数优化（HPO）对于GNN实现令人满意的结果至关重要，但这个过程成本很高，因为不同超参数设置的评估需要过度训练许多GNN。已经提出了许多方法HPO，其目的是有效地识别有前途的超参数。特别地，已经探索了用于HPO的遗传算法（GA），其将GNN视为黑盒模型，给定一组超参数，只能观察其输出。然而，由于GNN模型非常复杂，并且对GNN上的超参数进行评估非常昂贵，因此GA需要先进的技术来平衡搜索的探索和利用，并在有限的计算资源下使优化更加有效。因此，我们提出了一个树结构的变异策略，遗传算法来缓解这个问题。同时，我们回顾了HPO的最新研究成果，为树结构的思想提供了发展的空间，希望我们的方法能在未来进一步完善这些HPO方法。
2021-04-28 cs.LG cs.NE
A Cooperative Coevolutionary Genetic Algorithm for Learning Bayesian Network Structures
University of Waterloo（滑铁卢大学）
我们提出了一个合作的协同进化遗传算法学习贝叶斯网络结构，从完全可观察的数据集。由于这个问题可以分解成两个相关的子问题，即找到一个排序的节点和一个最佳的连接矩阵，我们的算法使用两个子群，每一个代表一个子任务。我们描述的实证结果与模拟的报警和保险网络。我们表明，我们的算法优于确定性算法K2。
2013-05-28 cs.AI cs.NE
Algorithmically probable mutations reproduce aspects of evolution such as convergence rate, genetic memory, and modularity
自然选择解释了生命如何从更原始的形式进化了数百万年。然而，当基于随机（均匀分布）突变时，这种情况发生的速度有时会违背正式的解释。在这里，我们调查的应用程序的基础上自然，但算法分布的突变（没有重组）在各种例子中，特别是二进制矩阵，以比较进化收敛速度的简单性偏差。合成和小的生物实例的结果表明，当突变不是统计上均匀的，而是\textit{algorithmic uniform}时，速率加快。我们表明，算法分布可以进化模块化和遗传记忆的结构保存时，他们第一次出现，有时会导致加速生产的多样性，但也种群灭绝，可能解释自然发生的现象，如多样性爆炸（如寒武纪）和大规模灭绝（如三叠纪末），其原因是目前的一个原因进行辩论。这里介绍的自然方法似乎是一个更好的近似生物进化模型完全基于随机均匀突变，它也接近一个正式版本的开放式进化的基础上以前的正式结果。这些结果验证了计算可能是进化同样重要的驱动力的方向的一些建议。我们还表明，在优化问题，如遗传算法，诱导的方法，有可能加速人工进化算法的收敛。
2018-06-20 cs.IT cs.NE math.IT
Critical control of a genetic algorithm
基于统计力学和临界状态存在性的假设，提出了一种简单的启发式算法来控制遗传算法的变异概率和种群规模。
2010-05-19 cond-mat.stat-mech cs.NE
Quantum-Assisted Genetic Algorithm
遗传算法，模仿进化过程来解决优化问题，可以通过使用强大的半局部搜索算法作为变异算子来增强。在这里，我们介绍了反向量子退火，一类量子演化，可用于执行家庭的准本地或准非本地搜索从一个经典的状态，作为新的突变源。反向退火使遗传算法的发展，使用量子波动的突变和经典机制的交叉-我们称之为量子辅助遗传算法（QAGA）。我们描述了一个QAGA和目前的实验结果使用D-Wave 2000 Q量子退火处理器。在一组自旋玻璃输入上，标准（前向）量子退火很快就找到了好的解决方案，但很难找到全局最优解。相比之下，我们的QAGA证明有效地找到这些输入的全局最优解。这种成功的相互作用的非本地经典和量子波动可以提供一个有前途的一步，实际应用的噪声中间尺度量子（NISQ）设备的启发式离散优化。
2019-06-24 cs.NE quant-ph
Sub-Dividing Genetic Method for Optimization Problems
目前，最优化问题在各专业中有着越来越多的应用，但在计算上存在着一些问题.连续函数全局点的计算量大，这一点在大空间中表现得更为明显，本文提出了一种计算量小的遗传算法SGM（Sub-Dividing Genetic Method）。该方法采用基于旋转变异和交叉的细分方法，采用细分方法最小化搜索空间，采用旋转变异和交叉相结合的方法寻找全局最优解。在实验中，SGM算法在De Jong函数上实现。数值算例表明，SGM比Grefensstette、Random Value和PNG等方法具有更好的性能。
2013-07-22 cs.NE math.OC
Guided macro-mutation in a graded energy based genetic algorithm for protein structure prediction
蛋白质结构预测被认为是最具挑战性和计算难度最大的组合问题之一。因此，卷积搜索空间的有效建模，能量函数的巧妙使用，以及更重要的是，有效的采样算法的使用成为解决这个问题的关键。对于蛋白质结构建模，非格模型由于其天文数字般大的数据点集而提供了有限的范围来练习和评估算法的发展。相比之下，一个上格模型扩大了范围，并允许研究相对较大的蛋白质，因为它的有限的数据点集。在这项工作中，我们充分利用了一个上格模型，通过使用面心立方晶格，具有最高的堆积密度与最大的自由度。提出了一种基于梯度能量策略的Miyazawa-Jernigan（MJ）能量和基于疏水极性（HP）能量的遗传算法（GA）构象搜索算法。在我们的应用中，我们在GA中引入了2x2 HP能量引导的宏变异算子，以彻底探索最佳的局部变化。相反，20 x20 MJ能量模型-我们的GA的最终目标函数，需要最小化-考虑20种不同的氨基酸之间的影响，并允许搜索全球可接受的构象。在一组基准蛋白质上，我们提出的方法在自由能水平和均方根偏差方面优于最先进的方法。
2016-03-07 cs.CE cs.NE
Genetic optimization algorithms applied toward mission computability models
遗传算法是模仿生物进化过程，利用自然选择选择最好的物种生存。它们是基于几何学的，计算成本低。遗传算法使用选择、交叉和变异来获得计算问题的可行解。在本文中，我们描述了我们的遗传优化算法的关键任务和约束感知计算问题。
2020-05-27 cs.NE math.OC
Why can genetic algorithms work in high-dimensional search spaces?
Molecular Foundry, Lawrence Berkeley National Laboratory（分子发现中心，劳伦斯伯克利国家实验室）
本文证明精英(1+M)遗传算法在小突变极限下等价于带各向异性高斯白噪声的裁剪梯度下降，解释了遗传算法无需显式计算梯度即可沿损失梯度下降，且其减速由Hessian矩阵的有效秩控制，而非参数数量，从而解释了其在高维空间中的可扩展性。
2026-09-29 cond-mat.stat-mech cs.NE
Detecting Communities in Complex Networks using an Adaptive Genetic Algorithm and node similarity-based encoding
针对现有遗传算法编码缺陷，提出基于节点相似性的MST编码及自适应遗传算法，结合相似性与模块度优化，提升社区检测的收敛速度与有效性。
2022-01-24 cs.CY cs.NE cs.SI
Feature Selection with Evolving, Fast and Slow Using Two Parallel Genetic Algorithms
Istanbul Bilgi University（伊斯坦布尔比尔基大学）；Tam Faktoring（塔姆保理公司）；Istanbul Marmara University（伊斯坦布尔马尔马拉大学）
特征选择是机器学习中最具挑战性的问题之一，特别是在处理高维数据时。在本文中，我们解决的问题，特征选择，并提出了一种新的方法，称为进化快，慢。这种新方法是基于使用两个并行的遗传算法具有高和低的突变率，分别。进化的快与慢需要一种新的并行架构，将快速进化的自动系统和缓慢进化的努力系统结合起来。有了这个体系结构，探索和开发可以同时进行。具有高突变率的快速进化可用于利用长跳跃来探索搜索空间中的新未知位置;具有低突变率的缓慢进化可用于利用短移动来利用搜索空间中的先前已知位置。我们的实验表明，进化快和慢实现了非常好的结果，在准确性和功能消除。
2020-05-11 cs.AI cs.DC cs.NE
Genetic Algorithms in Time-Dependent Environments
分析了时间依赖适应度对简单遗传算法（无交叉）无穷种群动态的影响。基于一般的参数，一个示意性的相图构造，允许一个描述的渐近状态依赖于突变率和时间尺度的变化。此外，定期的变化的概念提出的人口可以收敛到一个广义的准种。在此基础上，误差阈值和最佳变异率近似计算的代遗传算法与移动针在大海捞针景观。这样得到的相图与我们的一般考虑是完全一致的。
1999-11-04 adap-org cs.NE nlin.AO
Genetic Algorithms with Optimization Guided Operators
Department of Mathematics, MIT（麻省理工学院数学系）
本文从数学角度建模遗传算法，将优化问题转化为查询复杂度问题，并证明某些问题必须依赖生成、变异和重组算子，同时揭示了多样性在解池中的关键作用。
2026-09-28 cs.AI cs.LG cs.NE
Node Preservation and its Effect on Crossover in Cartesian Genetic Programming
Department of Computer Science（计算机科学系）；BEACON Center for the Study of Evolution in Action Michigan State University, East Lansing, MI 48824, USA（进化机制行动研究中心 密歇根州立大学 埃文斯兰斯）
本文通过比较节点保留的交叉和突变算子，发现其在符号回归中提升了搜索性能，推动CGP交叉的通用解决方案发展。
2025-11-24 cs.AI cs.LG cs.NE
Enhancing Genetic Improvement Mutations Using Large Language Models
University of Stirling（斯特林大学）；University College London（伦敦大学学院）；King’s College London（伦敦国王学院）；Johannes Gutenberg University Mainz（美因茨约翰内斯·古腾堡大学）
该研究扩展 Gin 工具包，用 LLM 作为 GI 变异算子为 JCodec 生成编辑，发现其可提升通过单元测试的补丁数量，但补丁多样性较低，且最佳运行时改进仍来自标准 GI。
2023-10-18 cs.AI cs.LG cs.NE
Emergent Network Structure, evolvable Robustness and non-linear Effects of Point Mutations in an Artificial Genome Model
遗传调控是发展的一个关键组成部分，但对遗传网络的结构和动态的清晰理解还没有到手。在本文中，我们研究了这些性质的人工基因组模型最初介绍的Reil（1999）。我们分析了随机生成的基因组的统计特性的序列和网络水平上，并表明，该模型正确地预测基因组中的基因的频率在实验数据中发现。使用进化算法的基础上稳定选择的表型，我们表明，对单碱基突变的动态鲁棒性，以及对随机变化的初始状态的监管动态，模仿环境条件下的随机波动，可以并行出现。在序列水平上的点突变对网络布线具有强烈的非线性影响，包括结构中性突变和多个连接的同时重新布线，这偶尔会导致吸引子景观的强烈重组和演化动力学的亚稳定性。进化的基因组在序列和网络水平上都表现出特征模式。
2009-08-25 cond-mat.dis-nn cs.NE q-bio.GN
