Los datos se están produciendo actualmente a una velocidad aumentada en diferentes formatos, lo que complica el diseño, procesamiento y evaluación de los datos. El algoritmo MapReduce es un sistema de archivos distribuido que se utiliza para el procesamiento paralelo de grandes volúmenes de datos. Las implementaciones actuales de MapReduce ayudan en la localización de datos junto con la robustez. En este estudio, se combinaron un método de regresión ponderada lineal y programación ávida de la energía (LWR-EGS) para manejar grandes volúmenes de datos. El método LWR-EGS selecciona inicialmente tareas para una asignación y luego selecciona la mejor máquina disponible para identificar una solución óptima. Con este objetivo, primero, el problema se modeló como un programa de regresión lineal ponderada entera para elegir tareas para la asignación. Luego, se seleccionaron las mejores máquinas disponibles para encontrar la solución óptima. De esta manera, se dice que se ha llevado a cabo la optimización de recursos. Luego, se presentó un algoritmo de programación ávida de la eficiencia energética para seleccionar una posición para cada tarea y minimizar el consumo total de energía del trabajo MapReduce para aplicaciones de grandes volúmenes de datos en entornos heterogéneos sin una pérdida significativa de rendimiento. Para evaluar el rendimiento, el método LWR-EGS se comparó con dos enfoques relacionados a través de MapReduce. Los resultados experimentales mostraron que el método LWR-EGS redujo efectivamente el consumo total de energía sin producir grandes sobrecargas de programación. Además, el método también redujo el tiempo de ejecución en comparación con los métodos de vanguardia. El método LWR-EGS redujo el consumo de energía, el tiempo promedio de procesamiento y la sobrecarga de programación en un 16%, 20% y 22%, respectivamente, en comparación con los métodos existentes.