简介本资源是一套面向Java游戏开发与AI算法学习者的麻将核心算法实现合集聚焦胡牌判定、AI决策、查胡校验、手牌评估及智能出牌五大关键模块适用于希望深入理解棋牌类游戏逻辑、提升算法工程能力的中高级开发者。压缩包共52个文件含15个核心Java源码覆盖算法主干与策略类、19张PNG流程图与界面示意图如tingde.png、ai3.png等直观呈现听牌路径与AI推理结构、9个规则配置文本如majiang_ai_feng.txt等支持多种麻将变体、3个Markdown说明文档及配套构建脚本与数据库文件整体36.41MB结构清晰、模块解耦度高。已有2713人学习下载读者可直接复用算法框架、对照图解理解状态转移逻辑、基于配置文本快速适配不同规则并通过源码图示配置三位一体方式系统掌握麻将AI的完整技术链路。1. Java麻将算法汇总5类核心算法全开源胡牌判定快至3ms、AI出牌响应低于80ms适合游戏服务端压测与AI策略沙盒验证你有没有遇到过这种场景在开发一款轻量级麻将对战服务时胡牌逻辑反复返工——刚调通平胡清一色又漏判AI出牌总在听牌边缘反复横跳用户投诉“像在陪机器人发呆”更糟的是查胡校验没做全线上出现“诈胡未拦截”运营半夜打电话救火。这个majiang_algorithm-master.zip不是教学Demo而是一套经某高校实验室三年迭代、在模拟千局对战中稳定通过边界测试的Java麻将算法集合。它把胡牌判定、AI决策链、听牌枚举、手牌评估、出牌优选这5个黑匣子模块全部拆成可调试、可替换、可压测的独立单元。特别适合两类人一是需要快速搭建合规麻将服务端的后端工程师尤其关注胡牌算法毫秒级响应和查胡防作弊逻辑二是想在真实牌型空间里验证强化学习策略的AI开发者——所有算法不依赖GUI纯POJO集合运算能直接嵌入Spring Boot微服务或Netty长连接网关。压缩包里没有花哨的前端只有src/main/java下扎实的hu/、ai/、eval/、play/、check/五个包外加一份带性能实测数据的hu.md和ai.md。2. 胡牌算法实现从暴力回溯到状态压缩DP支持14张标准手牌与7种胡型规则扩展2.1 核心设计哲学为什么不用递归穷举而选状态压缩动态规划胡牌判定看似简单实则暗藏陷阱。常见误区是写个递归函数对14张牌暴力尝试所有顺子ABC、刻子AAA、将牌XX组合。但实际运行会发现当手牌含大量重复数字如万子11122233344455时递归深度爆炸最坏情况时间复杂度达O(3^14)。本项目采用状态压缩DP预计算胡型模板双策略先将14张牌按万/筒/条/风四类分组每组内用10位二进制表示0~9数字的出现次数例如111222333→0b1111111110再对每个分组状态查表判断是否能构成合法胡型。hu/HuChecker.java中isHu(int[] hand)方法入口仅需3步① 分组归一化 → ② 状态哈希 → ③ 查HuTemplateMap静态表。该表由HuTemplateGenerator在JVM启动时预生成覆盖平胡、碰碰胡、七对、十三幺、清一色、混一色、小七对全部7种主流胡型且支持通过HuRuleConfig动态开关规则。提示HuRuleConfig是全局单例修改后需重启JVM生效。若需运行时热切换规则如比赛模式vs休闲模式建议继承HuRuleConfig重写isAllowedHuType(HuType type)方法并在HuChecker构造时传入自定义实例。2.2 关键代码解析三段式胡牌判定与性能实测// src/main/java/hu/HuChecker.java public boolean isHu(int[] hand) { // Step 1: 归一化分组万/筒/条/风 int[][] grouped groupBySuit(hand); // 返回4x10数组grouped[0][i]为万子i的数量 // Step 2: 对每组进行状态压缩仅处理非零组 long stateKey 0L; for (int suit 0; suit 4; suit) { if (Arrays.stream(grouped[suit]).sum() 0) { int compressed compressToState(grouped[suit]); // 将10位计数数组转为int stateKey | ((long) compressed) (suit * 16); // 每组占16位 } } // Step 3: 查表判定HuTemplateMap已预加载所有合法stateKey return HuTemplateMap.INSTANCE.contains(stateKey); }groupBySuit(hand)将原始14张牌如{1,1,1,2,2,2,3,3,3,4,4,4,5,5}按花色拆解万子存入grouped[0]筒子存入grouped[1]依此类推。风牌东南西北中发白统一映射到grouped[3]用索引0~6表示。compressToState(int[] count)将长度为10的计数数组如[3,3,3,3,2,0,0,0,0,0]压缩为一个int。算法为count[0]*10^0 count[1]*10^1 ... count[9]*10^9因单张牌最多出现4次故10进制安全4*10^9 2^31。HuTemplateMap.INSTANCE.contains(stateKey)静态哈希表查询平均时间复杂度O(1)。实测10万次随机手牌判定耗时287msIntel i7-11800H即单次判定2.87ms远优于递归方案的均值15ms。2.3 支持的胡型与扩展方式如何添加“九莲宝灯”等特殊胡型当前HuTemplateMap内置7种胡型其生成逻辑在HuTemplateGenerator.java中。若需新增胡型如国标麻将的九莲宝灯只需三步在HuType.java中新增枚举JIU_LIAN_BAO_DENG在HuTemplateGenerator.generateJiuLianBaoDengTemplates()中编写生成逻辑九莲宝灯固定牌型1112345678999需枚举所有可能的“听牌位”调用HuTemplateMap.addTemplates(HuType.JIU_LIAN_BAO_DENG, templates)注入注意新增胡型必须满足“可被状态压缩表示”的前提。九莲宝灯因牌型固定可直接生成10个模板听1~9但像“天胡”“地胡”这类依赖出牌顺序的胡型本算法不处理——它们属于游戏流程层逻辑应在GameService中结合RoundState判断。2.4 避坑胡牌判定的5个典型翻车现场与修复方案现象手牌{1,1,1,2,2,2,3,3,3,4,4,4,5,5}判定为“碰碰胡”但实际应为“清一色”“碰碰胡”双胡型原因HuChecker.isHu()只返回布尔值未提供胡型详情。默认配置下仅检查是否可胡不区分胡型优先级。解决调用HuChecker.getHuTypes(int[] hand)获取ListHuType再按业务规则排序如清一色权重碰碰胡。源码中HuRuleConfig.getHuTypePriority()可配置权重。现象风牌{1,1,2,2,3,3,4,4,5,5,6,6,7,7}七对判定失败原因七对胡型要求14张牌恰好7对但代码中groupBySuit将风牌统一归入grouped[3]而compressToState对[2,2,2,2,2,2,2,0,0,0]7对14张压缩后状态与标准七对模板不匹配。解决HuTemplateGenerator已为风牌七对单独生成模板确保grouped[3]的压缩逻辑兼容。检查HuTemplateMap是否加载了HuType.QI_DUI_FENG模板。现象isHu()在多线程环境下偶发返回false但单线程必true原因HuTemplateMap.INSTANCE是静态单例但contains()方法未加锁而HuTemplateMap内部使用ConcurrentHashMap理论上线程安全。根本原因是compressToState中Math.pow(10,i)在JDK8下有精度误差10^9返回1000000000.0000001导致stateKey计算偏差。解决将compressToState中的幂运算替换为查表private static final int[] POW10 {1,10,100,1000,...,1000000000};严格整数运算。现象用户手牌含“杠上开花”标识但isHu()未识别原因“杠上开花”是胡牌触发条件非胡型本身。本算法只判断“能否胡”不感知“如何胡”。需在业务层监听PlayerAction.GANG事件后调用isHu()并标记isGangShangHuatrue。解决在GameService.handleGang()中增加逻辑if (huChecker.isHu(player.getHand())) { player.setLastHuType(HuType.GANG_SHANG_HUA); }现象HuChecker对{1,9,1,9,1,9,2,8,2,8,3,7,4,6}十三幺判定失败原因十三幺要求13张特定牌19万筒条东南西北中发白但代码中风牌索引映射错误东0,南1,西2,北3,中4,发5,白6而输入数组若用{东,南,西,北,中,发,白}字符串则无法匹配。解决确保输入hand为整数数组风牌用0~6表示。README.md明确要求“所有牌面统一为int万1-91~9筒1-910~18条1-919~27风0~6”。3. AI算法架构三层决策模型听牌率→胡牌率→收益评估支持蒙特卡洛树搜索MCTS热插拔3.1 为什么放弃纯规则AI从“固定套路”到“概率驱动”的演进逻辑早期麻将AI常采用硬编码规则听牌优先打孤张清一色保留同花色。但这类AI在高手局中极易被针对——对手记下你“永远留19”就可反向推演手牌。本项目AI模块的核心突破在于将出牌决策转化为概率收益最大化问题。其架构分三层听牌层TingLayer调用TingCalculator.getTingPai(int[] hand)枚举所有可能的“听牌”即打出某张牌后剩余13张手牌能听哪些牌如打掉一张2万手牌变成可听1/2/3万。输出为MapInteger, ListIntegerkey为打出的牌value为可听牌列表。胡牌层HuLayer对每个“听牌”结果调用HuProbabilityEstimator.estimateHuProb(int[] tingHand, int drawnPai)估算摸到该牌后的胡牌概率。该估算基于历史牌河统计PaiHeStats和牌效模型如“边张听牌胡率低于嵌张”。评估层EvalLayer综合听牌数、胡率、防守价值如打出危险牌被点炮概率计算每张可打牌的综合得分选择最高分者。注意PaiHeStats默认使用majiang.db中预置的10万局牌河数据若需适配新规则可调用PaiHeStats.trainFromGameLogs(String logPath)重新训练。3.2 关键代码MCTS出牌器的初始化与调用链// src/main/java/ai/mcts/MCTSPlayer.java public class MCTSPlayer extends BaseAIPlayer { private final MCTSNode root; private final int simulationCount; // 每次决策的模拟次数默认1000 public MCTSPlayer(int simulationCount) { this.simulationCount simulationCount; this.root new MCTSNode(null, null); // 根节点无父节点、无动作 } Override public int selectBestPlay(int[] hand, ListInteger knownDiscards) { // Step 1: 构建初始状态手牌已知弃牌 GameState state new GameState(hand, knownDiscards); // Step 2: 运行MCTS搜索 for (int i 0; i simulationCount; i) { MCTSNode node treePolicy(root, state); // 选择扩展 double result defaultPolicy(node.getState()); // 模拟 backup(node, result); // 回溯更新 } // Step 3: 返回访问次数最多的子节点对应的动作打出的牌 return root.getChildWithMaxVisit().getAction(); } }treePolicy(root, state)采用UCB1公式选择子节点平衡探索访问少的分支与利用胜率高的分支。UCB1 Q/N c * sqrt(ln(N_parent)/N)其中c1.41√2为探索系数。defaultPolicy(state)快速走子模拟。对当前state随机抽牌、随机出牌直到胡牌或流局返回胡牌得分为1.0否则0.0。backup(node, result)从叶节点向上更新所有祖先节点的Q累计奖励和N访问次数。3.3 性能与精度权衡simulationCount设为多少才合理simulationCount是MCTS的核心参数直接影响AI强度与响应时间simulationCount平均响应时间胡牌率提升vs 规则AI内存占用10012ms3.2%2MB50058ms8.7%8MB1000115ms12.1%15MB2000230ms14.5%28MB实测表明simulationCount1000是性价比拐点胡牌率提升显著且115ms仍在移动端可接受范围用户感知延迟200ms。若部署在高并发服务端建议设为500并启用MCTSCache见ai/mcts/MCTSCache.java对相同手牌状态缓存搜索结果。3.4 避坑AI决策的5个玄学时刻与工程化解法现象AI在听牌阶段总打“安全牌”但实际胡率极低原因HuProbabilityEstimator默认启用“防守模式”对点炮概率15%的牌自动降权。但新手局中对手胡率低“安全牌”反而错失听牌机会。解决调用HuProbabilityEstimator.setDefensiveThreshold(5)降低阈值或在MCTSPlayer构造时传入new HuProbabilityEstimator(false)禁用防守。现象MCTS搜索耗时忽高忽低有时达500ms原因defaultPolicy模拟中随机抽牌时若牌墙已空PaiWall.isEmpty()会陷入死循环等待。PaiWall未做空检查。解决在defaultPolicy开头添加if (state.getPaiWall().isEmpty()) return 0.0;流局视为失败。现象AI对“七对”手牌出牌异常总保留对子却错过听牌原因TingCalculator对七对的听牌枚举逻辑缺陷七对听牌只能是“将牌”即打出一对后剩余12张组成6对再摸一张凑成7对但代码误将单张牌也纳入可打范围。解决TingCalculator中isQiDuiTing()方法已修复确保七对模式下只枚举“对子”作为可打牌。现象MCTSPlayer在多线程环境创建时root节点被共享导致决策混乱原因MCTSPlayer非线程安全root为实例变量。若Spring Bean scope为singleton多个玩家共用同一实例。解决将MCTSPlayerBean scope设为prototype或每次调用selectBestPlay()前调用resetRoot()重建根节点。现象AI在“清一色”手牌中仍打出其他花色的牌原因TingCalculator未强制过滤异花色牌。清一色规则要求手牌仅含一种花色但AI决策层未做约束。解决在MCTSPlayer.selectBestPlay()中增加预检if (isQingYiSe(hand)) { filterOutOtherSuits(availablePlays); }isQingYiSe()通过groupBySuit判断非零组数量是否为1。4. 查胡算法与评估算法双重校验机制防止诈胡手牌价值量化到小数点后三位4.1 查胡算法为什么需要独立于胡牌算法的二次校验胡牌算法HuChecker解决“能不能胡”查胡算法HuValidator解决“该不该胡”。二者目标不同HuChecker追求完备性覆盖所有合法胡型宁可错杀不可放过。HuValidator追求严谨性在特定游戏状态下验证胡牌动作是否符合规则如不能截和、不能抢杠胡、不能在振听状态胡牌。本项目HuValidator采用状态机驱动将游戏流程抽象为GameState包含当前轮次、上家动作、杠操作记录、振听标志等validateHu(Player player, int huPai)方法根据GameState流转规则校验。例如若gameState.getLastAction() Action.GANG gameState.isLastGangSelf()则允许“杠上开花”否则禁止若player.isTenpai()为false未听牌则禁止胡牌振听规则若gameState.getDiscardPile().contains(huPai)且huPai非上家所打则为“截和”需检查是否满足当地规则如广东麻将允许截和日本麻将禁止。提示HuValidator的规则集通过ValidationRuleSet配置majiang_server_feng.txt等配置文件定义不同服务器的校验策略避免硬编码。4.2 评估算法手牌价值不是“能胡就高”而是“胡得稳、胡得大、胡得巧”评估算法HandEvaluator输出一个double值0.0~100.0代表手牌当前质量。它不是简单统计“听牌数”而是三维加权结构分40%计算顺子/刻子/将牌的完整度。例如{1,2,3,4,5,6}比{1,3,5,7,9}结构分高因前者可拆为两个顺子。潜力分35%基于TingCalculator结果统计所有可打牌对应的平均听牌数及胡率。听牌数多且胡率高的手牌潜力分高。风险分25%统计手牌中“危险牌”易被点炮的牌数量如{5,5,5}中张易点炮扣分{1,1}边张相对安全加分。// src/main/java/eval/HandEvaluator.java public double evaluate(int[] hand) { double structureScore StructureAnalyzer.calcScore(hand); double potentialScore PotentialAnalyzer.calcScore(hand); double riskScore RiskAnalyzer.calcScore(hand); return 0.4 * structureScore 0.35 * potentialScore 0.25 * riskScore; }StructureAnalyzer.calcScore()使用动态规划定义dp[i][j]为前i张牌中以第j张为结尾的最长顺子长度状态转移dp[i][j] dp[i-1][j-1] 1 if hand[j-1]hand[j-2]1 else 1。最终结构分所有顺子长度平方和刻子数量×10。4.3 文件清单与配置如何切换评估权重以适配不同麻将变体HandEvaluator权重可通过eval/HandEvalConfig.properties调整配置项默认值说明适用场景structure.weight0.4结构分权重日本麻将重视形听可提至0.5potential.weight0.35潜力分权重四川血战强调速胡可提至0.45risk.weight0.25风险分权重广东麻将点炮罚重可提至0.3修改后需重启JVM或调用HandEvalConfig.reload()热加载需开启config.hotReloadtrue。4.4 避坑评估与查胡的5个协同陷阱现象HandEvaluator给{1,1,1,2,2,2,3,3,3,4,4,4,5,5}评95分但HuValidator拒绝其胡牌原因该手牌为“清一色”但HuValidator检查gameState.getCurrentSuit()发现当前局非清一色局故禁止胡牌。评估算法不知晓游戏规则只评估手牌本身。解决在GameService中调用evaluate()前先if (ruleSet.isQingYiSeEnabled()) { evaluator.setSuitConstraint(currentSuit); }。现象HuValidator在“抢杠胡”场景误判为有效导致用户投诉原因HuValidator.validateHu()未检查“抢杠”动作的合法性仅当杠牌为明杠上家打出且未被其他玩家吃碰时才允许抢杠胡。代码中遗漏了gameState.getLastDiscard() huPai !gameState.hasOtherActionAfterLastDiscard()判断。解决HuValidator已补全isQiangGangValid()方法确保抢杠胡需满足“上家刚打、无人响应、杠牌为明杠”三条件。现象评估分数在听牌后突降AI反而打掉听牌原因PotentialAnalyzer计算潜力分时未排除“已打出的牌”。例如手牌{1,2,3,4,5}听1/2/3/4/5/6但若1已被打出则听1无效但代码仍计入。解决PotentialAnalyzer中calcScore()方法已集成knownDiscards参数确保只计算未出现的听牌。现象HuValidator对“海底捞月”判定失败原因“海底捞月”要求最后一张牌自摸但validateHu()未检查gameState.getPaiWall().size() 0 huPai gameState.getLastDrawnPai()。解决HuValidator新增isHaiDiLaoYueValid()方法在validateHu()中调用。现象评估算法对“十三幺”手牌评分偏低仅70分但实际胡牌价值极高原因StructureAnalyzer对十三幺的“结构”识别为0无顺子刻子过度惩罚。十三幺本质是“特殊结构”不应套用通用结构分。解决HandEvaluator.evaluate()开头增加特判if (isThirteenOrphans(hand)) return 98.0;isThirteenOrphans()检查是否含13张特定牌。5. 出牌算法实战从“随机打”到“防守-进攻-节奏”三维决策附压测报告与调优指南5.1 出牌算法的三层目标为什么不能只看“胡率”出牌算法PlaySelector是AI的最终执行层它接收HandEvaluator的分数、HuValidator的校验结果、TingCalculator的听牌列表输出一张要打出的牌。其设计遵循三个不可妥协的目标防守优先绝不打出点炮率5%的牌RiskAnalyzer实时计算进攻优化在防守前提下选择听牌数最多、胡率最高的出牌节奏控制避免连续打出同类牌如连续3轮打万子防止对手推断手牌结构。因此PlaySelector.select(int[] hand, GameState state)的执行流程是过滤危险牌调用RiskAnalyzer.getDangerousPlays(hand, state)获取点炮率5%的牌从候选集中移除计算进攻分对剩余可打牌调用TingCalculator.getTingCount(play)和HuProbabilityEstimator.estimateHuProb(tingHand, huPai)计算综合进攻分节奏打散若上轮打出万子本轮优先选择筒/条/风若连续两轮打同花色则强制切换随机扰动为避免行为模式化在进攻分相近的牌中加入±5%随机权重。5.2 压测实录单机QPS 1200下的响应时间与内存表现我们在阿里云ECS8核16GCentOS 7.9OpenJDK 11上对PlaySelector进行压测模拟1000并发玩家每秒发起出牌请求场景平均响应时间P99响应时间CPU使用率JVM堆内存增长默认配置simulationCount1000115ms210ms68%1.2GB/小时启用MCTS缓存cacheSize1000089ms165ms52%0.3GB/小时切换为规则AIdisableMCTStrue18ms32ms21%0.1GB/小时同时启用缓存规则AI12ms24ms15%0.05GB/小时关键发现MCTS缓存使QPS提升35%。MCTSCache采用LRU策略key为handHash knownDiscardsHashvalue为MapInteger, Double每张可打牌的MCTS得分。当缓存命中时直接返回最高分牌跳过全部MCTS计算。5.3 参数调优指南5个影响实战效果的关键开关PlaySelector的行为由play/PlayConfig.properties控制以下是生产环境必调参数参数默认值推荐值竞技场推荐值休闲场说明defensive.threshold0.050.030.08点炮率阈值竞技场更保守mcts.enabledtruetruefalse休闲场可关闭MCTS保性能rhythm.switchInterval231连续打同花色轮次上限random.weight0.050.020.1进攻分随机扰动幅度cache.enabledtruetruetrue缓存对性能提升显著注意修改PlayConfig.properties后需调用PlaySelector.reloadConfig()生效无需重启。5.4 避坑出牌算法的5个血泪经验现象AI在残局牌墙剩10张仍按常规策略出牌导致错失“海底捞月”原因PlaySelector未感知牌墙剩余量TingCalculator在牌墙不足时仍枚举所有听牌但实际可摸牌极少。解决PlaySelector.select()中增加if (state.getPaiWall().size() 15) { forceSeaBottomStrategy(); }forceSeaBottomStrategy()优先保留边张、减少弃牌种类。现象AI在“四暗刻”听牌时总打掉刻子中的一张破坏牌型原因TingCalculator对四暗刻的听牌枚举将“拆刻子听将”列为可选但PlaySelector未识别“暗刻”价值高于普通顺子。解决HandEvaluator中StructureAnalyzer已为暗刻增加权重PlaySelector在计算进攻分时对暗刻相关出牌额外2分。现象MCTSCache内存泄漏JVM OOM原因MCTSCache的key为hand数组对象未重写hashCode()和equals()导致相同手牌生成不同key缓存无限增长。解决MCTSCache已改用Arrays.hashCode(hand)和Arrays.equals()key改为String.valueOf(Arrays.hashCode(hand)) _ discardsHash。现象AI在“一炮多响”规则下打出危险牌后只计算自身点炮忽略他人胡牌原因RiskAnalyzer默认只计算“本玩家被点炮概率”未考虑“一炮多响”时多人胡牌的连锁效应。解决RiskAnalyzer新增calculateMultiHuRisk()方法根据gameState.getPlayers().size()动态提升点炮率权重。现象PlaySelector在knownDiscards为空时评估结果不稳定原因knownDiscards为空意味着无任何弃牌信息HuProbabilityEstimator的统计模型失效胡率估算偏差大。解决PlaySelector.select()中增加兜底逻辑if (knownDiscards.isEmpty()) { return fallbackToRuleBasedPlay(hand); }fallbackToRuleBasedPlay()采用经典“留熟打生”规则。6. 工程落地技巧从本地调试到K8s集群部署一个命令完成全链路验证6.1 本地沙盒验证三步跑通胡牌AI查胡全链路别急着改代码先用项目自带的deploy.batWindows或deploy.shLinux一键启动验证环境。该脚本会编译src/main/java下所有模块加载majiang.db中的测试牌局启动TestRunner执行预设的100个边界用例。# Linux下执行 chmod x deploy.sh ./deploy.sh # 输出示例 [INFO] Running test case: ThirteenOrphans_Hu [SUCCESS] HuChecker.isHu([1,1,9,9,1,9,2,8,2,8,3,7,4,6]) true [INFO] Running test case: MCTS_Play_Selection [SUCCESS] PlaySelector.select([1,1,1,2,2,2,3,3,3,4,4,4,5,5]) 5提示所有测试用例位于src/test/java/TestCases.java可随时添加自己的case。TestRunner会自动扫描Test注解方法。6.2 生产部署如何将算法模块注入Spring Boot服务本项目设计为零依赖库不绑定任何框架。若需集成到Spring Boot只需三步将majiang_algorithm-master作为Maven模块引入pom.xml中添加module../majiang_algorithm/module在Spring配置类中声明BeanConfiguration public class MajiangConfig { Bean public HuChecker huChecker() { return new HuChecker(HuRuleConfig.STANDARD); // STANDARD为标准规则 } Bean public PlaySelector playSelector() { return new PlaySelector(PlayConfig.loadFromFile(config/play.properties)); } }在Service中注入使用Service public class GameService { Autowired private HuChecker huChecker; Autowired private Play p a hrefhttps://download.csdn.net/download/qq_25414997/85225733 stylecolor:#ec7500;font-size:14px; 本文还有配套的精品资源点击获取 /a img altmenu-r.4af5f7ec.gif srchttps://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif stylewidth:16px;margin-left:4px;vertical-align:text-bottom;cursor:text; /p