Se presenta en este documento un algoritmo de moho de limo mejorado (IMSMA) para un problema de programación justa multiprocesador multitarea, que tiene como objetivo reducir el tiempo promedio de procesamiento. Se propone una estrategia de población inicial basada en el aprendizaje inverso de mapeo de Bernoulli para el algoritmo de moho de limo. Se emplea una estrategia de mutación de Cauchy para escapar de los óptimos locales, y se optimiza el mecanismo de verificación de límites del enjambre de moho de limo. Las condiciones límite de la población de moho de limo se transforman en límites no lineales y cambiantes dinámicamente. Este ajuste refuerza las capacidades de búsqueda global del algoritmo de moho de limo en las primeras iteraciones y fortalece su capacidad de búsqueda local en las iteraciones posteriores, lo que acelera la velocidad de convergencia del algoritmo. Se eligen dos funciones de prueba unimodales y dos multimodales del banco de pruebas CEC2019 para experimentos comparativos. Los resultados experimentales muestran la convergencia robusta del algoritmo y su capacidad para escapar de los óptimos locales. El algoritmo de moho de limo mejorado se aplica al problema de programación justa multiprocesador para reducir el tiempo de ejecución promedio en cada procesador. Los experimentos numéricos mostraron que el IMSMA funciona mejor que otros algoritmos en términos de precisión y efectividad de convergencia.