Cloud computing plays a significant role in everyone's lifestyle by snugly linking communities, information, and trades across the globe. Due to its NP-hard nature, recognizing the optimal solution for workflow scheduling in the cloud is a challenging area. We proposed a hybrid meta-heuristic cost-effective load-balanced approach to schedule workflow in a heterogeneous environment. Our model is based on a genetic algorithm integrated with predict earliest finish time (PEFT) to mini-mize makespan. Instead of assigning the task randomly to a virtual machine, we ap-ply a greedy strategy that assigns the task to the lowest-loaded virtual machine. Af-ter completing the mutation operation, we verify the dependency constraint instead of each crossover operation, which yields a better outcome. The proposed model in-corporates the virtual machine's performance variance as well as acquisition delay, which concedes the minimum makespan and computing cost. One of the most as-tounding aspects of our cost-effective hybrid genetic algorithm (CHGA) is its capac-ity to anticipate by creating an optimistic cost table (OCT) while maintaining quad-ratic time complexity. Хмарні обчислення відіграють значну роль у способі життя кожного, щільнопов'язуючи спільноти, інформацію та торги по всьому світу. Розпізнавання оптимального рішення для планування робочих процесів у хмарі є складною сферою через його NP-жорсткий характер. Запропоновано гібридний мета евристичний економічно-ефективний збалансований за навантаженням підхід до планування робочого процесу в гетерогенному середовищі. Модель ґрунтується на генетичному алгоритмі, інтегрованому з прогнозом найбільш раннього часу фінішу (PEFT), щоб мінімізувати makespan. Замість призначення завдання випадковим чином на віртуальній машині застосовуємо жадібну стратегію, яка відводить завдання на віртуальну машину з найменш завантаженим.