Extreme Learning Machine (ELM) is a simple learning algorithm for singlehidden-layer feed-forward neural network. The learning speed of ELM can bethousands of times faster than back-propagation algorithm, while obtainingbetter generalization performance. However, ELM may need high number ofhidden neurons and lead to ill-condition problem due to the randomdetermination of the input weights and hidden biases. In order to surmount theweakness of ELM, this paper proposes an optimization scheme for ELM based onartificial chemical reaction optimization algorithm (ACROA). By using ACROA tooptimize the hidden biases and input weights according to both Root meansquared error and the Norm of output weights, the classification performance ofELM will be improved. The experimental result on several real benchmarkproblems demonstrates that the proposed method can attain higherclassification accuracy than traditional ELM and other evolutionary ELMs.Máy học cực trị (ELM) là một thuật toán học đơn giản ứng dụng cho các mạngnơ-ron truyền thẳng một lớp ẩn. Tốc độ học của ELM nhanh hơn gấp nghìn lần sovới thuật toán lan truyền ngược, trong khi đó nó đạt được hiệu suất cao hơn. Tuynhiên, vì các trọng số nút vào và các sai lệch nút ẩn được lựa chọn ngẫu nhiên, nênthuật toán ELM có thể cần nhiều nơ-ron ở lớp ẩn và dẫn đến vấn đề nhiều điều kiệnràng buộc. Để giải quyết mặt hạn chế này của ELM, bài báo này đề xuất một chiếnlược tối ưu cho ELM trên cơ sở thuật toán tối ưu phản ứng hóa học nhân tạo(ACROA). Bằng việc sử dụng ACROA để tối ưu hóa các trọng số vào và sai lệch của cácnút ẩn trên cơ sở hai tiêu chuẩn định mức trọng số đầu ra và lỗi bình phương trungbình, hiệu suất phân loại của ELM được cải thiện. Kết quả thực nghiệm trên vài tậpmẫu chuẩn trong thực tế chứng minh rằng phương pháp đã đề xuất đạt độ chínhxác phân loại cao hơn ELM gốc và các ELM tiến hóa khác.