En este documento, abordamos el desafío de optimizar la utilización de recursos y la asignación impulsada por la demanda en entornos dinámicos, multidimensionales y heterogéneos. Los sistemas tradicionales de programación de tareas contenerizadas, como Kubernetes, suelen depender de planificadores predeterminados que se centran principalmente en la CPU y la memoria, pasando por alto la naturaleza multidimensional de recursos heterogéneos como las GPUs, la E/S de red y la E/S de disco. Esto resulta en una programación subóptima y una subutilización de recursos. Para abordar esto, proponemos un método de programación dinámica para recursos heterogéneos utilizando un algoritmo mejorado de Técnica de Preferencia por la Solución Ideal por Similitud (TOPSIS) que ajusta los pesos en tiempo real y aplica una normalización no lineal. Aprovechando la computación paralela, la aproximación, el cálculo incremental, las actualizaciones locales y la aceleración de hardware, el método minimiza la sobrecarga y garantiza la eficiencia. Los resultados experimentales mostraron que, en condiciones de baja carga, nuestro método redujo los tiempos de respuesta de las tareas en un 31-36%, aumentó el rendimiento en un 20-50% y mejoró la utilización de recursos en más de un 20% en comparación con el planificador predeterminado de Kubernetes y el algoritmo de Estrategia de Programación de Contenedores de Kubernetes (KCSS). Estas mejoras se probaron en cargas de trabajo diversas, utilizando recursos de CPU, memoria, GPU y E/S, en un entorno de clúster a gran escala, demostrando la robustez del método. Estas mejoras optimizan el rendimiento del clúster y la eficiencia de los recursos, ofreciendo ideas valiosas para la programación de tareas en plataformas en la nube contenerizadas.