Es un desafío no determinista en una red de computación en la niebla programar recursos o trabajos de manera que aumente la eficacia y el rendimiento del dispositivo, disminuya el período de respuesta y mantenga el sistema bien ajustado. Utilizando el Aprendizaje Automático como componente de la computación neuronal, desarrollamos un sistema mejorado de manejo de desbordamiento de Grupos de Tareas (TGA) para entornos de computación en la niebla. Como resultado del uso de TGA en conjunto con una Red Neuronal Artificial (ANN), podemos evaluar las características de QoS del modelo para detectar un servidor sobrecargado y luego mover los datos del modelo a máquinas virtuales (VMs). Las máquinas virtuales sobrecargadas y subcargadas se equilibrarán según parámetros como CPU, memoria y ancho de banda para controlar las preocupaciones de desbordamiento de la computación en la niebla con la ayuda de ANN y el concepto de aprendizaje automático. Además, se emplea el algoritmo de Colonia de Abejas Artificiales (ABC), que es un sistema de computación neuronal, como técnica de optimización para separar los servicios y usuarios según sus cualidades individuales. El tiempo de respuesta y la tasa de éxito se mejoraron utilizando el algoritmo TGA basado en ANN optimizado recién propuesto. En comparación con el tiempo de reacción mínimo del trabajo actual, la mejora total en la tasa de éxito promedio es de aproximadamente 3.6189 por ciento, y la Eficiencia de Programación de Recursos ha mejorado en un 3.9832 por ciento. En términos de eficiencia de máquina virtual para la programación de recursos, se mejoran la tasa de éxito promedio, la tasa de éxito promedio de finalización de tareas y el tiempo de respuesta de la máquina virtual. El manejo de desbordamiento basado en TGA propuesto en un dominio de computación en la niebla mejora el tiempo de respuesta en comparación con los enfoques actuales. La computación en la niebla, por ejemplo, demuestra cómo los sistemas basados en inteligencia artificial pueden hacerse más eficientes.