Актуальность исследования обусловлена стремительным ростом объемов обрабатываемых данных и широким распространением облачных технологий, что делает эффективное распределение вычислительных задач в высоконагруженных системах ключевой проблемой современной информатики. Существующие методы балансировки нагрузки часто не учитывают гетерогенность ресурсов, динамику workloads и необходимость многоцелевой оптимизации, что ограничивает их эффективность. Целью работы является разработка гибридного алгоритма балансировки нагрузки, сочетающего преимущества алгоритмов Artificial Bee Colony (ABC) и Max-Min для повышения производительности и ресурсоэффективности распределенных систем. В исследовании использован метод имитационного моделирования в среде CloudSim для оценки предложенного алгоритма при различных сценариях нагрузки (от 100 до 5000 задач). Задачи классифицируются на «легкие» и «тяжелые» на основе их вычислительной сложности (MIPS), после чего ABC применяется для быстрого распределения простых задач, а Max-Min – для оптимизации выполнения ресурсоемких заданий с целью минимизации общего времени выполнения (makespan). Сравнительный анализ с базовыми алгоритмами (FCFS, SJF, Min-Min, Max-Min, PSO, ABC) показал, что гибридный подход обеспечивает на 15–30 % лучшее время выполнения задач при высокой нагрузке (5000 задач), демонстрируя высокую адаптивность и масштабируемость. Результаты исследования подтверждают, что гибридные алгоритмы, объединяющие эвристические и метаэвристические методы, представляют собой перспективное решение для динамических облачных сред. Предложенный метод эффективно сочетает оперативность распределения легких задач и стратегическое планирование ресурсоемких операций, что делает его применимым в реальных ЦОДах и распределенных системах. Практическая значимость работы заключается в повышении энергоэффективности, снижении затрат и обеспечении качества обслуживания (QoS) в облачных вычислениях.