La programación del flujo de trabajo es esencial para optimizar simultáneamente el makespan y el costo económico de los servicios en la nube y ha atraído un interés intensivo. La mayoría de los algoritmos existentes de programación de flujo de trabajo en la nube consideran los problemas en cuestión como cajas negras y diseñan operadores evolutivos para realizar búsquedas aleatorias, lo cual es ineficiente para tratar la elasticidad y heterogeneidad de los recursos en la nube, así como las estructuras complejas de los flujos de trabajo. Este estudio explora las características de los recursos en la nube y las estructuras de los flujos de trabajo para diseñar un operador de optimización evolutiva basado en conocimiento, llamado KEOO, con dos características novedosas. En primer lugar, desarrollamos un mecanismo de consolidación de tareas para reducir el número de recursos en la nube utilizados, disminuyendo el costo económico de la ejecución del flujo de trabajo sin retrasar su tiempo de finalización. Luego, desarrollamos un mecanismo de ajuste de tareas críticas para mover selectivamente los predecesores críticos de algunas tareas a los mismos recursos para eliminar la sobrecarga de transmisión de datos entre ellos, esforzándonos por mejorar el costo económico y el tiempo de finalización simultáneamente. Por último, incorporamos el KEOO propuesto en cuatro algoritmos multiobjetivo clásicos, es decir, NSGA-II, HypE, MOEA/D y RVEA, formando cuatro variantes: KEOO-NSGA-II, KEOO-HypE, KEOO-MOEA/D y KEOO-RVEA, para experimentos comparativos. Los resultados de la comparación demuestran la efectividad del KEOO en mejorar estos cuatro algoritmos en la resolución de problemas de programación de flujos de trabajo en la nube.