در این پژوهش، چارچوبی یکپارچه برای شبیه‌سازی و بهینه‌سازی کیفیت آب مخزن اکباتان با هدف کاهش غلظت جامدات محلول کل (TDS) توسعه داده شد. این چارچوب از تلفیق مدل CE-QUAL-W2، مدل یادگیری ماشین XGBoost به‌عنوان مدل جایگزین و دو الگوریتم فراابتکاری سامانه ذرات ارتعاشی بهبودیافته (EVPS) و بهینه‌سازی ازدحام ذرات (PSO) تشکیل شده است. در گام نخست، CE-QUAL-W2 با استفاده از داده‌های مشاهداتی واسنجی و صحت‌سنجی شد. نتایج نشان داد که این مدل قادر است رفتار هیدرولیکی و کیفی مخزن را با دقت مناسبی بازتولید کند؛ به‌گونه‌ای که مقادیر ضریب کارایی نش–ساتکلیف (NSE) برای حجم مخزن و تراز سطح آب به‌ترتیب برابر با 97/0 و 98/0 به‌دست آمد. سپس خروجی‌های مدل به‌عنوان داده آموزشی برای توسعه مدل جانشین XGBoost استفاده شد. ارزیابی عملکرد این مدل با مقادیر R²=0.9176، MAE=1.7012 و RMSE=2.5133 نشان‌دهنده دقت مناسب آن در پیش‌بینی شاخص‌های کیفیت آب بود. در ادامه، مدل آموزش‌دیده در چارچوب بهینه‌سازی به‌کار گرفته شد و عملکرد دو الگوریتمEVPS وPSO مقایسه شد. نتایج نشان داد کهEVPS با دستیابی به تابع هدف 2340/0، در مقایسه با مقدار 3333/88 حاصل از PSO، راه‌کارهای بهینه‌تری ارائه می‌دهد، هرچند زمان اجرای آن اندکی بیش‌تر بود (21/332 در برابر 79/238 ثانیه). هم‌چنین، سیاست‌های بهره‌برداری حاصل از EVPS موجب کاهش بیشتر غلظتTDS و ایجاد نوسانات کم‌تر در کیفیت آب خروجی شدند. نتایج نشان می‌دهند که چارچوب یکپارچه CE-QUAL-W2–XGBoost–EVPS ضمن کاهش قابل توجه هزینه محاسباتی، دقت پیش‌بینی و کیفیت تصمیم‌گیری را در بهینه‌سازی بهره‌برداری کیفی مخازن ارتقا داده و می‌تواند به‌عنوان ابزاری کارآمد برای مدیریت هوشمند منابع آب استفاده شود.