La base del aprendizaje automático es permitir a las computadoras resolver automáticamente ciertos problemas. Una de las principales herramientas para lograr este objetivo es la programación genética (GP), que se desarrolló a partir del algoritmo genético para ampliar su alcance en el aprendizaje automático. Aunque se han realizado muchos estudios sobre GP, hay muchas preguntas sobre el efecto disruptivo de los principales operadores de reproducción de GP, es decir, el cruce y la mutación. Además, este método a menudo sufre altos costos computacionales cuando se implementa en algunas aplicaciones complejas. Este documento presenta el marco de programación de metaheurísticas para crear nuevas herramientas prácticas de aprendizaje automático como alternativa al método de GP. Además, el algoritmo de programación del sistema inmunológico con búsqueda local (ISPLS) está compuesto a partir del marco propuesto para mejorar el algoritmo clásico del sistema inmunológico artificial con la estructura de datos de árbol para tratar aplicaciones de aprendizaje automático. El método ISPLS utiliza un conjunto de procedimientos de reproducción en un espacio de árbol con cambios graduales para superar los defectos de GP, especialmente las interrupciones altas de sus operaciones básicas. La eficiencia del método ISPLS propuesto se demostró a través de varios experimentos numéricos, incluidos resultados prometedores para regresión simbólica, multiplexor de 6 bits y problemas de paridad de 3 bits.