Máy học cực trị (ELM) là một thuật toán học đơn giản ứng dụng cho các mạng nơ-ron truyền thẳng một lớp ẩn. Tốc độ học của ELM nhanh hơn gấp nghìn lần so với thuật toán lan truyền ngược, trong khi đó nó đạt được hiệu suất cao hơn. Tuy nhiên, vì các trọng số nút vào và các sai lệch nút ẩn được lựa chọn ngẫu nhiên, nên thuật toán ELM có thể cần nhiều nơ-ron ở lớp ẩn và dẫn đến vấn đề nhiều điều kiện ràng buộc. Để giải quyết mặt hạn chế này của ELM, bài báo này đề xuất một chiến lược 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 các nút ẩn trên cơ sở hai tiêu chuẩn định mức trọng số đầu ra và lỗi bình phương trung bình, hiệu suất phân loại của ELM được cải thiện. Kết quả thực nghiệm trên vài tập mẫu chuẩn trong thực tế chứng minh rằng phương pháp đã đề xuất đạt độ chính xác phân loại cao hơn ELM gốc và các ELM tiến hóa khác.