En el contexto de los sistemas en la nube, la efectividad de ubicar módulos para una confiabilidad óptima y un retardo de extremo a extremo (EED) está directamente vinculada al éxito de programar flujos de trabajo científicos distribuidos. Sin embargo, las medidas utilizadas para evaluar estos aspectos (confiabilidad y EED) están en conflicto entre sí, lo que hace imposible optimizar ambos simultáneamente. Por lo tanto, presentamos un algoritmo de programación para flujos de trabajo científicos distribuidos que se centra en mejorar la confiabilidad al mismo tiempo que mantiene límites específicos de EED. Esto es particularmente importante dadas las fallas inevitables de los servidores de procesamiento y los enlaces de comunicación. Para lograr nuestro objetivo, primero desarrollamos un modelo basado en inteligencia artificial que fusiona una versión mejorada de la técnica de optimización de caballos salvajes con un enfoque de vuelo de levy. Este enfoque híbrido mejora la capacidad de explorar nuevas posibilidades de manera efectiva. Además, establecemos una estrategia viable para compartir decisiones de asignación e información almacenada entre servidores de procesamiento, promoviendo la escalabilidad y la robustez, cualidades esenciales para sistemas distribuidos a gran escala. Esta estrategia no solo potencia las capacidades de búsqueda local, sino que también evita la convergencia prematura del algoritmo. El objetivo principal de este estudio es señalar ubicaciones de recursos que logren un equilibrio entre la exploración global y la explotación local. Esto implica aprovechar eficazmente el espacio de búsqueda y minimizar la inclinación hacia recursos con una alta probabilidad de fallas. A través de experimentos en diversas configuraciones del sistema, nuestro método propuesto superó consistentemente a los algoritmos de programación de flujos de trabajo competidores. Alcanzó niveles notablemente más altos de confiabilidad mientras se adhería a las mismas restricciones de EED.