【软件测试自动化-QTP系列讲座 37】== MFL自动化路径模型对象应用 ==

本文介绍了QTP中的路径设置方法及PathFinder对象的应用技巧,包括相对路径的设置与使用,以及PathFinder对象的隐藏功能,如获取相对路径数量、当前测试路径等。

今天讲的内容比较精彩也比较重要。希望不要错过,耐心看完,呵呵,在自动化测试中不管是相对路径还是保留对象PathFinder在框架开发中都是常用+实用。大家都知道对于一个脚本的相对路径的实现是非常重要的,这样方便以后的脚本移植,同样也能方便管理QTP的一些加载的对象、函数、场景恢复function,环境变量等等。

  • 相对路径设置方法: Tools -> options -> Folders ->

如图我们可以看到QTP默认存在的一个<current test>这个就是本test的一个动态路径,此处添加了"d:\framework\",也就是我设置的相对路径,如果此时我在这个路径下有一个tsr的对象库文件,就可以直接使用相对路径加载到共享对象库里。如图

当然如果是开发框架的话完全可以使用AOM在QTP启动时就事先加载好这些路径,不过今天我讲的重点不在相对路径的设置。


而是一个非常有用的对象,就是PathFinder对象,这才是我今天要讲的核心部分。

其实PathFinder我相信很多朋友也一定很熟悉,QTP中的普通的不能再普通的保留对象,而今天我就要把它的作用完完全全的发挥出来。

  • 普通用法: msgbox pathfinder.Locate ("123.vbs")

当我们在QTP中输入pathfinder之后输入"."后QTP会由于complete word而自动补充Locate方法。也就是说在QTP中,pathfinder就只有这一个Locate方法。此方法返回一个相对路径的完整路径。而由于我们之前设置过"d:\framework\"的相对路径,因此我们运行后会显示完整的路径。

这一点相信很多人都会使用,也应该都很熟练了。

  • 隐藏用法: (MFL自动化路径模型)Mercury.FileLocator (QTP的所有帮助文档中都没有任何蛛丝马迹)

其实这个MFL自动化路径模型对象就是在QTP中的PathFinder对象,那我们就来见识一下MFL对象的庐山真面目。

打开vbsedit。输入Set mfl = CreateObject("Mercury.FileLocator")并查看mfl的方法

如图:

在vbsedit中我们可以发现MFL对象的所有方法,同样Locate方法也在里面。

我们可以使用一下其中的几个方法:

  • count方法:获取相对路径的个数

-> msgbox PathFinder.count

  • CurrentTestPath方法:获取当前测试路径

-> msgbox PathFinder.CurrentTestPath

  • Insert方法:运行时动态插入一条相对路径,参数1为路径,参数2为相对路径的index

-> PathFinder.Insert "D:\Program Files", PathFinder.count+1

运行完我们可以看到在Tools -> options -> Folders ->下自动插入了一条记录。

小结:

剩下的方法大家可以自行去研究,这里就简单的介绍几个比较实用的。今天这一章主要就是讲MFL的这个对象,此对象在路径控制上非常有用,特别是在框架开发中。大家一定还在琢磨我为什么会知道这个对象吧。其实很简单,还是注册表。

宝藏地点:

进入HKCU -> SOFTWARE -> MERCURY INTERACTIVE -> QuickTest Professional -> MicTest -> FileLocator

可以看到prog id的键值为: Mercury.FileLocator

还不快去挖你的宝藏?

【电动汽车充电站有序充电调度的分散式优化】基于蒙特卡诺和拉格朗日的电动汽车优化调度(分时电价调度)(Matlab代码实现)内容概要:本文介绍了基于蒙特卡洛和拉格朗日方法的电动汽车充电站有序充电调度优化方案,重点在于采用分散式优化策略应对分时电价机制下的充电需求管理。通过构建数学模型,结合不确定性因素如用户充电行为和电网负荷波动,利用蒙特卡洛模拟生成大量场景,并运用拉格朗日松弛法对复杂问题进行分解求解,从而实现全局最优或近似最优的充电调度计划。该方法有效降低了电网峰值负荷压力,提升了充电站运营效率与经济效益,同时兼顾用户充电便利性。 适合人群:具备一定电力系统、优化算法和Matlab编程基础的高校研究生、科研人员及从事智能电网、电动汽车相关领域的工程技术人员。 使用场景及目标:①应用于电动汽车充电站的日常运营管理,优化充电负荷分布;②服务于城市智能交通系统规划,提升电网与交通系统的协同水平;③作为学术研究案例,用于验证分散式优化算法在复杂能源系统中的有效性。 阅读建议:建议读者结合Matlab代码实现部分,深入理解蒙特卡洛模拟与拉格朗日松弛法的具体实施步骤,重点关注场景生成、约束处理与迭代收敛过程,以便在实际项目中灵活应用与改进。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值