La necesidad apremiante de soluciones de desarrollo sostenible requiere herramientas innovadoras basadas en datos. El aprendizaje automático (ML) ofrece un potencial significativo, pero enfrenta desafíos en enfoques centralizados, especialmente en lo que respecta a la privacidad de los datos y las limitaciones de recursos en entornos geográficamente dispersos. El aprendizaje federado (FL) emerge como un paradigma transformador para el desarrollo sostenible al descentralizar el entrenamiento de ML a dispositivos periféricos. Sin embargo, los cuellos de botella de comunicación obstaculizan su escalabilidad y sostenibilidad. Este documento presenta un innovador marco de FL que mejora la eficiencia de la comunicación. El marco propuesto aborda el cuello de botella de la comunicación aprovechando el poder del optimizador de Lemures (LO), un algoritmo metaheurístico inspirado en la naturaleza. Inspirado en el comportamiento cooperativo de búsqueda de alimento de los lémures, el LO selecciona estratégicamente las actualizaciones de modelos más relevantes para la comunicación, reduciendo significativamente la sobrecarga de comunicación. El marco fue evaluado rigurosamente en conjuntos de datos de CIFAR-10, MNIST, enfermedades de hojas de arroz y plantas de reciclaje de residuos que representan diversas áreas de desarrollo sostenible. Los resultados experimentales muestran que el marco propuesto reduce la sobrecarga de comunicación en más del 15% en promedio en comparación con enfoques de FL de referencia, manteniendo una alta precisión del modelo. Este avance extiende la aplicabilidad de FL a entornos con recursos limitados, allanando el camino para soluciones más escalables y sostenibles para iniciativas del mundo real.