云计算时代的到来,为大数据处理技术提供了良好的计算场景,同时为生命科学的研究提供了强大的技术保障。基因序列比对是研究生命科学的有效手段,因此推进基因序列比对的研究具有重要的现实意义。全比较问题是对多序列比对工作中的数据文件与比较任务搭配问题的抽象,是一个数据分发策略的制定过程。然而,全比较问题不仅仅存在于基因序列比对工作中,还广泛出现在生物信息学的其它分支学科、生物测定学、机器学习、网络工程等领域。本文首先调研并分析了现有的全比较数据分发策略,包括传统的全量分发方式、基于Hadoop的数据分发策略、基于全比较数据分发算法等方式。针对现有全比较数据分发策略存在的浪费存储空间、无法实现完全的数据本地化、计算速度慢等不足,提出了两个开创性的全比较数据分发策略。本文的主要工作如下:（1）调研了全比较问题的应用领域和主流的全比较数据分发方法,简单地介绍了常用的智能算法与Hadoop。（2）构建了全比较数据分发数学模型。对全比较数据分发问题进行了形式化描述,构建了负载均衡数学模型和存储优化数学模型。（3）提出了基于粒子群优化的全比较数据分发模型（DDBPSO模型）。根据全比较数据分发数学模型,设计了基于粒子群优化实现负载均衡的数据分发算法与基于粒子群优化实现最优化存储的数据分发算法,并在Matlab平台上实现了相关算法。通过开展基于Hadoop数据分发对比实验,证明了基于粒子群优化的全比较数据分发模型具有负载均衡、优化存储的能力,同时能让所有全比较任务所需的文件具有数据本地性。与基于分支定界法的数据分发算法相比,基于粒子群优化的全比较数据分发模型具有较快的求解速度。（4）提出了基于禁忌搜索优化的全比较数据分发模型（DDBTS模型）。首先,构建了基于禁忌搜索优化的全比较数据分发策略求解框架。针对禁忌搜索算法设计出了一系列的改进方案:在负载均衡求解阶段提出了正向任务调度规则,在存储优化求解阶段提出了异节点任务互换规则等。通过存储优化实验,证明了基于禁忌搜索优化的全比较数据分发模型具有40%-50%的存储节约性能。除此之外,该模型还具备负载均衡、数据完全本地化、求解效率最高等特性。