随着无线通信网络技术的飞速发展,各种新型应用以前所未有的速度涌现,如虚拟现实、增强现实、无人自动驾驶等。这些互联网应用需要大量的计算能力、高通信带宽和超低延迟,这是当前无线通信网络无法提供的。由于第五代移动通信网络（The Fifth Generation Mobile Networks,5G）的出现,作为5G关键技术的超密集网络（Ultradense Network,UDN）,能够满足未来无线通信网络的高容量和高通信带宽需求。移动边缘计算（Mobile Edge Computing,MEC）可以将内容和计算资源接近用户,减少延迟和回程负载,以满足新型应用的延迟和计算能力需求。因此,UDN和MEC结合可以很好地解决未来应用所带来的挑战。虽然UDN和MEC相结合带来了巨大的优势,但存在边缘服务器间的负载不均衡问题。该问题可能会导致服务器的寿命降低和性能下降,进而影响整个网络系统的性能。本文主要旨在解决超密集网络下的移动边缘计算负载均衡的问题。首先,移动设备的高度动态性易产生超密集网络下边缘服务器间负载的不均衡。考虑到用户任务的到达具有随机性,如果负载均衡策略仅仅取决于当前时刻的各个服务器的负载状况和申请的任务情况,那么由负载均衡引起的任务卸载转移会产生乒乓效应。乒乓效应会导致过多的任务在边缘服务器间来回转移。而有最小延迟需求的任务从一个服务器转移到另一个服务器执行时需要消耗额外的计算资源,进而乒乓效应会产生预期之外的负载开销。为了减小乒乓效应带来的这种影响,本文提出了负载感知的概念。负载感知可以不用在所有用户都申请任务的情况下,从全局的角度来评估各个服务器的负载,进而能让负载均衡策略受到任务达到随机性的影响减小,使其更加准确、合理。其次,用户的任务一般可分为若干个子任务,考虑到子任务间的执行顺序（可能是串行、并行或串并行共存）,可能会存在不在当前时刻开始执行的子任务。如果针对子任务的负载均衡策略只考虑当前时刻各服务器的负载情况,会降低边缘服务器的资源利用率并产生一定程度的负载波动。为此,本文提出了MEC服务器的负载时间轴概念,通过它可以了解到每个子任务在其执行时刻的各个服务器的负载状况,并据此对子任务做出更加合理的负载均衡决策。特别地,由于串并行共存的混合子任务之间复杂的依赖关系,本文提出了可分任务的层次化结构,通过该结构能够更加清楚其子任务的执行顺序和开始执行时间。最后,任务卸载的负载均衡问题是非确定多项式（Nondeterministic Polynomial,NP）问题。为了快速地得到有效解,根据任务的特点,本文提出了一种基于任务的单位负载转移开销的负载均衡算法。同时,遗传算法（Genetic Algorithm,GA）也被应用到本文的系统模型中来解决同样的负载均衡问题。通过与GA进行实验对比,证明了所提出算法的有效性、快速性以及稳定性。