1.一种基于混沌学习算法竞争窗口值智能选择方法，其特征在于：该方法包括以下步骤:S1：设置智能体即LAA小基站的动作集合A∈[wmin,wmax]，其中wmin和wmax分别为最小和最大的竞争窗口值；S2：初始化Q函数Q(s,a)为零矩阵，并预定义Γ、η、wmin、wmax、α、γ、ψ、参数阈值，其中Γ和η是预定义的阈值，α是学习率，γ是折扣因子，ψ是权重因子，是共存系统

要求的最小吞吐量，和表示偏离1的最差的公平性因子；S3：设置吞吐量和公平性阈值：其表达式如下所示：其中Γ、η和n分别是预定义的阈值，和分别为预先定义的上公平性阈值和下公平性阈值，Φn是离散的时间集合，Rt是即时的总吞吐量，t为离散时间；S4：设置智能体状态集合S＝{s1,s2,s3,s4,s5,s6}：LAA小基站的状态集合定义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，Ft表示平均意义上的公平性函数，将公平函数定义如下：其中Rt(s,l)

和(Rt(s,w))分别表示LAA和WiFi用户吞吐量，nl和nw分别是LAA用户和WiFi用户数量；进而根据预定义的吞吐量和公平性阈值，将LAA小基站的状态集合分成六种状态：S1:低吞吐量低公平性S2:低吞吐量低公平性S3:低吞吐量高公平性、S4:高吞吐

量低公平性S5:高吞吐量低公平性S6:高吞吐量高公平性；

S5：智能体以概率(1‑ε)选择最大Q值所对应的动作，而以概率ε根据混沌序列选择某个动作：为了平衡动作选择过程中的探索与利用，LAA小基站利用ε‑混沌贪婪选择策略选取一个动作，即以概率(1‑ε)选择最大Q值所对应的动作，而以概率ε根据混沌序列选择某个动作，其表达式定义为：其中Q(a)表示智能体执行行为a后所获得的Q值，z表示混沌序列值，混沌系统中Logistic映射方程表示为：z k + 1＝μz k (1‑z k) ，其中0≤μ≤4称为控制参数，当μ∈[3.5699456…,4]时，logistic映射工作于混沌态，取μ＝4，k表示迭代次数，z称为混沌变量，混沌域为(0,1)；S6：在执行所选择的动作之后，智能体计算该动作所对应的奖励值，并更新动作Q值函数，然后进入到下一个状态：LAA小基站执行所选择的动作之后，计算该动作所对应的奖励值，奖励值函数定义为：其中ψ表示权重因子且0＜ψ＜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,和表示偏离1的最差的公平性因子,Rt表示t时刻系统

在未授权频段上所获得的总吞吐量，Ft表示平均意义上的公平性函数；然后根据Q值计算公

式：更新动作Q值函数，并进入到

下一个状态，其中Υ表示折扣因子且0≤Υ＜1，r(st,at)表示LAA小基站在状态st选择动作at时所获得的奖励值，学习速率和折扣因子协同调节Q矩阵的更新，进而影响Q算法的学习性能，α取值0.5，Υ取值0.8；S7：重复步骤S5‑S6，直至s到达目标状态即高吞吐量和高公平性状态；S8：重复步骤S3‑S7，直至动作Q值函数达到稳定状态。