随着云计算以及5G技术的蓬勃发展,近年来大规模多人在线游戏以其多用户、高并发和高质量的特性迅速发展起来。大规模多人在线游戏运营商需要在降低运营成本的同时满足游戏玩家的需求。大规模多人在线游戏运营商向服务供应商租赁足够的游戏资源可以保证玩家的体验质量,但会增加运营成本;租赁少量的游戏资源可以降低运营成本,却无法保证玩家的体验质量。因此,如何有效地权衡游戏资源的租赁费用和游戏玩家的体验质量是目前大规模多人在线游戏运营商亟待解决的问题。本文提出了一种基于边缘计算环境的大规模多人在线游戏运营商运营成本优化机制,旨在保证游戏玩家体验质量的情况下,最小化运营商的游戏资源租赁成本。本文的主要工作及贡献如下:首先,提出一种基于边缘计算环境的云游戏框架,相比于传统的云游戏框架,该框架将游戏音视频渲染服务器部署到边缘环境来降低游戏延迟。之后本文在提出框架的基础上针对大规模多人在线游戏运营商运营成本这一优化目标,将上述问题建模为最小化边缘渲染服务器租赁成本的单目标优化模型,该模型将游戏延迟作为约束条件,综合考虑了游戏玩家的体验质量以及大规模多人在线游戏运营商的游戏资源租赁成本。其次,提出了一种大规模多人在线游戏运营商运营成本优化算法解决上述单目标优化模型。该算法首先基于机器学习中无监督学习思想的K-Means算法对用户进行聚类,然后基于强化学习思想决策出游戏玩家最终需要的游戏渲染资源,最后使用基于元启发式思想的放置算法把游戏玩家的游戏渲染任务卸载到最适配的边缘渲染服务器中。最后,对提出的运营成本优化算法进行了两类仿真实验。在第一类仿真实验中,本文展示了游戏玩家聚类的过程,并将K-Means算法与密度聚类算法和层次聚类算法进行对比,结果证明了K-Means算法对本文场景的适用性。在第二类仿真实验中,本文将运营成本优化算法与四种在线启发式算法进行了比较,结果表明,本文提出的运营成本优化算法可以在保证游戏延迟整体较低的情况下有效地节约大规模多人在线游戏运营商的运营成本。