随着信息科学技术的快速发展，工业化和信息化深度融合促生出的信息物理融合系统（Cyber-Physical System, CPS）已成为支撑和引领新一代产业变革的核心技术。CPS是集计算机、通信和控制技术于一体的先进智能系统，广泛应用于智能电网、智能交通、智慧城市等关键基础设施。模型预测控制（Model Predictive Control, MPC）是一种通过使用显性过程模型预测系统未来响应的先进计算机控制技术。MPC 基于系统模型和历史信息，在每个采样瞬间，通过求解一个带有输入\输出约束的最优控制问题（Optimal ControlProblem, OCP）获得一系列的控制输入，然后将获得的第一个控制序列应用于被控系统完成控制动作，并在下一个采样瞬间重复上述过程实现滚动优化，因此MPC也被称为后退时域控制。在如此滚动优化机制下，MPC不仅能保证被控系统状态和输入约束被满足，而且也能维持CPS以最优状态运行，因此MPC作为决策模块广泛被广泛应用于智能驾驶、智能电网、智慧城市等关键CPS设施中。 然而，由于CPS需要通过无线网络实现物理层和控制层之间数据的实时共享，因此被控系统极易受到网络攻击的破坏。目前频繁出现的网络攻击包括虚假数据注入（FalseData Injection, FDI）攻击、重放（Replay）攻击和拒绝服务（Denial-of-Service， DoS）攻击。其中，FDI攻击近年来备受关注，因为它不仅可以直接从网络层跳转到物理层破坏CPS的性能，而且还具有一定的隐蔽特性。因此，迫切需要开发弹性MPC方法来抵御FDI攻击对CPS的损害。 除了网络攻击之外，系统不确定性也是CPS面临的另一个重大挑战，因为实际控制的系统几乎都会受到不确定性的影响，例如干扰和噪声。为了同时处理CPS的不确定性和FDI攻击，鲁棒控制方法已被广泛用于弹性MPC。鲁棒控制方法旨在通过考虑模型不确定性的最坏情况，确保控制策略对所有可能的不确定性有效。值得注意的是，鲁棒控制方法并没有充分考虑系统的不确定性信息，因此鲁棒控制方法可能导致MPC的设计极其保守甚至不可行。与鲁棒控制方法相比，随机控制方法仅通过考虑不确定性分布的概率特征来保证系统约束在一定概率条件下得到满足。因此，与鲁棒控制方法相比，随机控制方法可以减少硬约束带来的保守性，从而在保证系统性能的同时降低运行成本。然而，目前在抵御FDI攻击的弹性MPC中，还没有考虑随机控制方法来处理系统的不确定性。因此，为了降低现有弹性MPC方法的保守性，有必要提出了一种基于自适应输入重构的弹性随机模型预测控制方法。