[发明专利]基于粒子群优化算法的Android自动化测试方法

说明书

技术领域

本发明属于软件自动化测试领域，涉及一种基于粒子群优化算法的Android自动化测试方法。

背景技术

目前的Android应用自动化测试依旧需要大量的测试人员的手动参与，测试周期长，效率和覆盖率都较低，以及使用现有测试工具会导致代码冗余的问题，关键字驱动的测试框架是通过使用测试指令来操作测试用例生成的方法。目前基于关键字的测试框架与测试方法在Android应用的自动化测试中应用较为广泛。Robotium是以对Instrumentation框架的封装为基础的开源测试框架，主要用于模仿用户的场景测试。使用Robotium能够简易地为Android应用编写强健而有效的自动化黑盒及白盒测试。将关键字思想与Robotium的结合有利于测试代码模块化与测试数据分离，提高便利性与健壮性。粒子群优化算法(Particle Swarm optimization,PSO)又称为粒子群算法、微粒群算法、或微粒群优化算法。是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法，引入粒子群优化算法可以使生成的输入类测试用例更加高效。

Robotium框架：

Android应用的自动化测试领域最为重要的研究成果就是Google Android SDK研发的Instrumentation框架，是现阶段绝大多数的自动化测试工具的核心。Robotium是目前使用率最高的Android开源测试框架，主要用于模仿用户的场景测试。使用Robotium能够简易地为Android应用编写强健而有效的自动化黑盒及白盒测试。Robotium是对Android自带测试类Instrumentation的一个封装，是另一种通过InstrumentationTestRunner来完Android交互式测试的架构，方便于测试人员直接调用封装好的接口。

粒子群优化算法PSO(Particie Swarm Optimization)是由Eberhart博士和Kennedy博士发明的一种新的全局优化进化算法，它源于对鸟类捕食行为的模拟。与遗传算法类似，粒子群优化算法同样基于群体(这里称作粒子群)与适应度。粒子群的个体(这里称作粒子)代表问题的一个可能解。每个粒子具有位置和速度两个特征。粒子位置坐标对应的目标函数值即可作为该粒子的适应度。算法通过适应度来衡量粒子的优劣，从而能够对解空间进行有效的优化。

经过近十年的发展，针对Android自动化测试，已经有了很多方法，但是各种技术都有其优缺点和适用情况，目前还没有一种被公认的最为有效的方法，尤其是输入类测试用例生成方向。目前测试人员实现Android应用自动化测试往往是：通过UI检查工具从可视化的角度直观地获得UI布局设计结构和各种属性的信息，根据得到的属性信息结合自动化测试工具提供的方法对控件进行操作，从而触发应用程序的运行，在运行中监测每一步的输出信息和运行结果，从而发现应用程序的危险路径。首先，这样的Android应用自动化测试依旧需要大量的测试人员的手动参与，测试周期长，效率和覆盖率都较低。其次，现有的Android自动化测试框架在生成输入类的测试用例方面有极大的局限性，主要依靠经验判断，大大降低了自动化测试的效率与覆盖率。

发明内容

本发明一种基于粒子群优化算法的Android自动化测试方法，提供结合关键字、粒子群优化算法，以现有的Android自动化测试工具为基础，将粒子群优化算法引入到Android自动化测试中，不仅能够模块化进行应用控件的触发，并且能够生成更高效的输入类测试数据，在便捷的同时能够更加高效的触发软件异常。

本发明通过以下技术方案实现。

一种基于粒子群优化算法的Android自动化测试方法，包括以下步骤：

步骤一、将应用安装在模拟器上，viewer模块负责开启View Server服务，通过hierarchy viewer获取应用的控件层次树信息；

步骤二、以获取到的控件层次树信息为输入，在生成控件层次树的方法中将其组织成便于遍历的树结构；