La computación en la nube ofrece servicios computacionales robustos al procesar tareas en sus máquinas virtuales (VMs) utilizando algoritmos de programación de recursos. Los algoritmos existentes en la nube proporcionan resultados limitados debido a una programación de recursos inapropiada. Además, estos algoritmos no pueden procesar tareas que generan fallos mientras se están computando. La razón principal de esto es que estos algoritmos existentes necesitan un mecanismo de inteligencia para mejorar sus capacidades. Para proporcionar un mecanismo de inteligencia que mejore el proceso de programación de recursos y proporcione un mecanismo de tolerancia a fallos, se ha implementado un algoritmo llamado aprendizaje por refuerzo-primer trabajo más corto (RL-SJF) integrando la técnica de RL con el algoritmo SJF existente. Se realizó un experimento en una plataforma de simulación para comparar el funcionamiento de RL-SJF con SJF, y se computaron tareas desafiantes en múltiples escenarios. Los resultados experimentales indican que el algoritmo RL-SJF mejora el proceso de programación de recursos al mejorar el costo agregado en un 14.88% en comparación con el algoritmo SJF. Además, el algoritmo RL-SJF proporcionó un mecanismo de tolerancia a fallos al computar el 55.52% del total de tareas en comparación con el 11.11% del algoritmo SJF. Así, el algoritmo RL-SJF mejora el rendimiento general de la nube y proporciona la calidad de servicio (QoS) ideal.