A medida que aumenta la cantidad de datos de entrada, los dispositivos de niebla en las redes de borde de IoT se vuelven cada vez más ineficientes. Sin embargo, una estrategia de programación de recursos de computación de niebla bien diseñada puede ayudar a reducir los retrasos excesivos en el tiempo y el consumo de energía. Por lo tanto, en este documento, proponemos una estrategia eficiente de programación de recursos de computación de niebla. Primero, utilizamos la optimización por enjambre de partículas (PSO) para determinar el equilibrio de carga óptimo entre los nodos de niebla y obtener el tiempo de cálculo y el consumo de energía óptimos en un único clúster de niebla. En segundo lugar, diseñamos un algoritmo de optimización conjunta de enjambre de partículas genético de abejas artificiales (PGABC) para optimizar la programación de tareas entre los clústeres de niebla basándonos en el tiempo y el consumo de energía obtenidos del equilibrio de carga. Además, PGABC se utilizó para optimizar el modelo de programación de tareas, lo que redujo aún más el retraso y el consumo de energía de la computación de niebla. Los resultados experimentales muestran que el retraso de tiempo calculado utilizando el algoritmo PGABC propuesto en el modelo dado se redujo en un 1,04%, 15,9% y 28,5%, en comparación con GABC, ABC y PSO, respectivamente, y el consumo de energía se redujo en un 3,9%, 6,6% y 12,6%, respectivamente. La estrategia de programación de recursos propuesta redujo el retraso en aproximadamente un 31,25%, 27,8%, 27,8% y 25,4%, y el consumo de energía en aproximadamente un 9,7%, 33,3%, 32% y 29,6%, en comparación con SJF-PSO, PGABC-R, HSF.ABC&PSO y MFO, respectivamente.