1.基于Q-learning算法的LTE与WiFi共存竞争窗口值的动态优化方法，其特征在于：包括以下步骤：S1：设置LAA小基站的状态集合和动作集合；

S2：在t＝0时刻，初始化LAA小基站的状态和行为Q值为“0”；

S3：计算LAA小基站的初始状态st的状态值；

S4：根据公式计算Logistic混沌映射序列，然后将该序列映射到LAA小基站行为值集合中并随机选择一个行为at(i)；

S5：执行行为at(i)后，系统将根据公式获取环境奖励值rt，然后进入到下一个状态st+1；

S6：根据公式更新LAA小基站的行为Q值函数；

S7：令t←t+1，重复执行步骤S4～S6，直至到达目标状态。

2.根据权利要求1所述的基于Q-learning算法的LTE与WiFi共存竞争窗口值的动态优化方法，其特征在于：在步骤S1中，LAA小基站的状态集合表示为系统吞吐量和公平性的组合，即st＝{Rt,Ft}，Rt表示t时刻系统在未授权频段上所获得的总吞吐量，即LAA和WiFi用户吞吐量之和，Ft表示平均意义上的公平性函数，定义公平性函数为：其中Rt(s,l)和Rt(s,w)表示LAA和WiFi用户吞吐量，nl表示LAA小基站的数量，nw表示WiFi的用户数，根据预定义的吞吐量和公平性阈值，将LAA小基站分成四种状态：低吞吐量低公平性、低吞吐量高公平性、高吞吐量低公平性和高吞吐量高公平性，即其中 和 分别表示吞吐量和公平性的阈值，且对于行为集合，将竞争窗口值作为LAA小基站行为，并且根据有限动作集合的马尔科夫过程定义任意t时刻LAA小基站行为16≤at(i)≤128。

3.根据权利要求2所述的基于Q-learning算法的LTE与WiFi共存竞争窗口值的动态优化方法，其特征在于：在步骤S2中，设置LAA小基站的状态和行为Q值为零矩阵，对于LAA小基站马尔科夫决策过程的求解目标是寻找一个最优策略π*，以使得每一个状态s的值V(s)同时达到最大，状态值函数表示如下：其中r(st,at)表示LAA小基站从环境中获取的奖励值，p(st+1|st,at)表示LAA小基站当处于状态st时选择行为at后转移到状态st+1的概率。

4.根据权利要求3所述的基于Q-learning算法的LTE与WiFi共存竞争窗口值的动态优化方法，其特征在于：在步骤S4中，通过混沌运动中Logistic映射作为一种优化机制，以此选择行为at(i)，Logistic映射系统的方程为：zk+1＝μzk(1-zk)

其中0≤μ≤4称为分枝参数，在此取μ＝4，k表示迭代次数，z称为混沌变量，混沌域为(0,1)。

5.根据权利要求4所述的基于Q-learning算法的LTE与WiFi共存竞争窗口值的动态优化方法，其特征在于：在步骤S5中，LAA小基站执行选择的行为后将从环境中获取一个奖励值，奖励值函数定义为：其中ε表示权重因子且0＜ε＜1， 表示共存系统吞吐量最低要求阈值，Ft°表示共存系统公平性函数的最小要求阈值。

6.根据权利要求5所述的基于Q-learning算法的LTE与WiFi共存竞争窗口值的动态优化方法，其特征在于：在步骤S6中，LAA小基站在从环境中获取奖励值后，需要对Q矩阵进行更新，其更新公式为：其中α表示学习速率且0＜α＜1，Υ表示折扣因子且0≤Υ＜1。