Este estudio presenta un marco basado en aprendizaje profundo para la síntesis de patrones de haz en arreglos de antenas lineales uniformes optimizados, combinando la preoptimización basada en Evolución Diferencial con el modelado de redes neuronales recurrentes (RNN). Los patrones de radiación se generan primero para satisfacer las restricciones de supresión de lóbulos laterales y directividad, y luego se utilizan para entrenar modelos recurrentes que aprenden la relación entre los patrones de radiación y los parámetros de excitación complejos. Se proporciona una formulación matemática formal de las arquitecturas Simple RNN, Unidad Recurrente Con Puerta (GRU) y Memoria a Largo y Corto Plazo (LSTM), junto con un análisis del costo computacional por paso de tiempo basado en multiplicaciones de matrices-vectores dominantes. Una evaluación comparativa bajo condiciones de entrenamiento idénticas muestra que las arquitecturas con puerta superan significativamente a la RNN estándar. Aunque la LSTM logra los errores de predicción más bajos, la GRU alcanza un rendimiento comparable con una complejidad estructural reducida. Los experimentos de síntesis de patrones de haz para direcciones de dirección no vistas demuestran una reconstrucción precisa de la alineación del lóbulo principal, niveles de lóbulos laterales (aproximadamente -12 a -13 dB) y valores de directividad cercanos a 8 dB. El análisis de operaciones de punto flotante (FLOPs) indica que la GRU requiere menos operaciones dominantes por paso de tiempo que la LSTM, lo que podría reducir el costo computacional y el consumo de energía en aplicaciones de formación de haces con recursos limitados.