A medida que se despliegan gradualmente más sistemas de información de energía en servidores en la nube, la programación de tareas de una nube segura enfrenta desafíos. Optimizar la estrategia de programación solo desde un aspecto no puede satisfacer las necesidades del negocio energético. Al mismo tiempo, el sistema de información de energía desplegado en la nube de seguridad enfrentará diferentes tipos de tráfico empresarial, y cada tráfico empresarial tiene diferentes niveles de riesgo. Sin embargo, la investigación existente no ha realizado un estudio en profundidad sobre este aspecto, por lo que es difícil obtener el esquema de programación óptimo. Para resolver los problemas mencionados, primero construimos un modelo de programación de tareas en la nube de seguridad combinado con el sistema de información de energía, y luego definimos el nivel de riesgo del tráfico empresarial y la función objetivo de la programación de tareas. Con base en lo anterior, proponemos un algoritmo de programación de tareas de optimización multiobjetivo basado en el algoritmo de enjambre de peces artificiales (MOOAFSA). MOOAFSA inicializa la población de peces a través de un mapeo caótico, lo que mejora la capacidad de optimización global. Además, MOOAFSA utiliza un tamaño de paso y un campo de visión dinámicos, así como la introducción de un factor de peso adaptativo, lo que acelera la convergencia y mejora la precisión de la optimización. Finalmente, MOOAFSA aplica cruces y mutaciones, lo que facilita salir de un óptimo local. Los resultados experimentales muestran que, en comparación con el algoritmo de colonia de hormigas (ACO), la optimización por enjambre de partículas (PSO) y el algoritmo de enjambre de peces artificiales (AFSA), MOOAFSA no solo acelera significativamente la velocidad de convergencia, sino que también reduce el tiempo de finalización de tareas, el equilibrio de carga y el costo de ejecución en un 15.62-28.69%, 66.91-75.62% y 32.37-41.31%, respectivamente.