提出用于广义单隐藏前馈神经网络的极限学习机（ELM）由于其学习速度快，良好的泛化能力和易于实现而成为热门的研究主题。 但是，ELM在隐藏层中会遇到冗余和随机性，这是由特征的随机映射引起的。 在ELM中，尽管进化算法已归档了令人印象深刻的改进，但他们并未考虑隐藏层的稀疏性。 提出了一种混合学习算法，称为EMO-ELM，它采用进化多目标算法同时优化两个冲突目标。 此外，该方法可用于监督分类和非监督稀疏特征提取任务。 在许多UCI数据集上的仿真表明，在分类任务中，EMO-ELM通常优于原始的ELM.a
