La programación de tareas sigue siendo un problema abierto para mejorar el rendimiento de los servicios en la nube. Enfocándonos en abordar el problema, primero formulamos el problema de programación de tareas de computación en la nube heterogénea en una programación no lineal binaria. Hay dos objetivos de optimización que incluyen el número de tareas aceptadas y la utilización general de recursos. Para resolver el problema en complejidad de tiempo polinómico, proporcionamos un algoritmo heurístico híbrido combinando los beneficios del algoritmo genético (GA) y la optimización por enjambre de partículas (PSO), llamado PGSAO. Específicamente, PGSAO integra la estrategia evolutiva de GA en PSO para superar la desventaja de caer fácilmente en la optimización local de PSO, y aplica la auto-cognición y la cognición social de PSO para garantizar el poder de explotación. Se llevan a cabo extensos experimentos simulados para evaluar el rendimiento de PGSAO, y los resultados muestran que PGSAO tiene un 23.0-33.2% más de tareas aceptadas y una utilización de recursos un 27.9-43.7% mayor que otros ocho algoritmos metaheurísticos y heurísticos híbridos, en promedio.