Implementamos un novedoso marco metaheurístico de sistema de recomendación (RS) dentro de un problema de toma de decisiones no lineal NP-duro, para reducir el espacio de búsqueda de soluciones antes de realizar pasos computacionales de alta carga. Nuestro metaheurístico basado en RS apoya la consideración de criterios de evaluación exhaustivos, incluidas estimaciones de la optimalidad del conjunto de soluciones potenciales, diversidad y retroalimentación/preferencia del usuario final, siendo completamente compatible con métricas de evaluación de RS establecidas adicionales. En comparación con metaheurísticos previos de Investigación de Operaciones, nuestro metaheurístico basado en RS permite (1) lograr puntuaciones de solución casi óptimas a través de un entrenamiento exhaustivo de aprendizaje profundo, (2) inferencia rápida de parámetros metaheurísticos durante los ensayos de instanciación de soluciones y (3) la capacidad de reutilizar este módulo RS entrenado para la clasificación tradicional de RS de opciones de solución final para el usuario final. Al implementar este metaheurístico de RS dentro de un entorno experimental de simulación de alta dimensionalidad, observamos una reducción promedio del 91.7% en el tiempo de cálculo en comparación con un enfoque base, y puntuaciones de solución dentro del 9.1% de las puntuaciones óptimas teóricas. También se desarrolló una técnica de metaheurístico de RS simplificada en un entorno de toma de decisiones más realista que trata con escenarios de comando y control multidominio, donde también se logra una reducción significativa del tiempo de cálculo del 87.5% en comparación con un enfoque base, manteniendo las puntuaciones de solución dentro del 9.5% de las puntuaciones óptimas teóricas.