勒贝格测度是否为能量泛函的极小化测度？

嘿，这个问题其实可以用两种简洁的思路来解决，刚好能呼应你提到的旋转直观想法，我来梳理清楚：

先明确问题前提 #

我们先把已知条件理清楚：

• 函数 $K:\mathbb{R}{\geq0} \to\mathbb{R}{\geq0}$ 是非递增（递减）函数
• $\nu$ 是单位圆周 $\mathbb{S}^1$ 上的概率测度，对应的能量泛函定义为：
  $$ \mathcal{E}(\nu):=\int_{\mathbb{S}^{1}\int_{\mathbb{S}}1} K(|x-y|)d\nu(x)d\nu(y) $$

我们要证明的是：规范化勒贝格测度（圆周上的均匀测度）$m$ 是这个能量泛函的极小值点，也就是对任意概率测度 $\nu$，都有 $\mathcal{E}(m) \leq \mathcal{E}(\nu)$。必要时可以假设$K$有界，这个条件能帮我们避开一些积分收敛的问题。

方法一：旋转平均+对称性分析（呼应你的直观思路） #

你提到的“旋转测度再取线性组合”的思路完全可行，而且不需要额外强加$K$为正的条件（题目里已经给出$K$非负，刚好够用），具体步骤如下：

1. 构造旋转平均测度：对任意旋转角度 $\theta$，定义旋转后的测度 $\nu_\theta$：对圆周上的任意可测集 $A$，$\nu_\theta(A) = \nu(R_{-\theta}A)$，这里 $R_\theta$ 是绕原点旋转$\theta$角的变换。然后我们取所有旋转测度的平均：
   $$ \bar{\nu} = \int_0^{2\pi} \nu_\theta \frac{d\theta}{2\pi} $$
   不难验证，这个$\bar{\nu}$就是规范化勒贝格测度$m$——因为旋转平均后，任何可测集的测度都等于其弧长除以$2\pi$，完全均匀。

2. 比较能量大小：现在我们要证明 $\mathcal{E}(\bar{\nu}) \leq \mathcal{E}(\nu)$。把$\bar{\nu}$代入能量泛函，交换积分顺序后可得：
   $$
   \mathcal{E}(\bar{\nu}) = \int_0^{2\pi}\int_0{2\pi} \left( \int_{\mathbb{S}^{1}\int_{\mathbb{S}}1} K(|R_\theta x - R_\phi y|)d\nu(x)d\nu(y) \right) \frac{d\theta d\phi}{(2\pi)^2}
   $$
   利用旋转的距离不变性，$|R_\theta x - R_\phi y| = |R_{\theta-\phi}x - y|$，做变量替换$\psi = \theta-\phi$后可以简化为：
   $$
   \mathcal{E}(\bar{\nu}) = \int_0^{2\pi} \left( \int_{\mathbb{S}^{1}\int_{\mathbb{S}}1} K(|R_\psi x - y|)d\nu(x)d\nu(y) \right) \frac{d\psi}{2\pi}
   $$

3. 关键的单调性利用：因为$K$是递减函数，而对于固定的$x,y$，$|R_\psi x - y|$随着$\psi$变化，其平均值是一个常数（圆周对称性）。当$\nu$不是均匀测度时，它会有局部测度集中的区域，导致更多点对$(x,y)$的距离更小，而$K$在小距离处的值更大，所以$\mathcal{E}(\nu)$会更大；而旋转平均后的$\bar{\nu}$把测度“打散”，减少了近距离点对的比例，自然积分出来的能量更小。

简单来说：非均匀测度会让更多点对挤在一起，触发$K$更大的取值，拉高能量；均匀测度下点对距离分布最均匀，能量也就最小。

方法二：傅里叶分析（更简洁的代数方法） #

如果对圆周上的测度傅里叶分析熟悉的话，这个证明会更直接：

对于圆周上的概率测度$\nu$，其傅里叶系数定义为$\hat{\nu}(n) = \int_{\mathbb{S}^1} e^{-inx}d\nu(x)$。而能量泛函$\mathcal{E}(\nu)$可以展开为傅里叶级数：
$$
\mathcal{E}(\nu) = \sum_{n=-\infty}^\infty \hat{K}(n) |\hat{\nu}(n)|^2
$$
这里$\hat{K}(n)$是核函数$K(|x-y|)$的傅里叶系数。由于$K$是$\mathbb{R}_{\geq0}$上的递减函数，对应的圆周径向核的傅里叶系数$\hat{K}(n)$是非负的（这是径向递减核的一个性质）。

对于均匀测度$m$，它的傅里叶系数满足$\hat{m}(0)=1$，$\hat{m}(n)=0$（当$n \neq 0$），所以：
$$
\mathcal{E}(m) = \hat{K}(0)
$$
而对于任意概率测度$\nu$，$\sum_{n=-\infty}^\infty |\hat{\nu}(n)|^2 = 1$（Parseval恒等式），所以：
$$
\mathcal{E}(\nu) = \hat{K}(0) + \sum_{n \neq 0} \hat{K}(n) |\hat{\nu}(n)|^2 \geq \hat{K}(0) = \mathcal{E}(m)
$$
因为所有非零项都是非负的，直接就能得出$\mathcal{E}(m)$是极小值。

对你的直观思路的补充 #

你担心“旋转线性组合要求$K$为正”其实是多余的——题目里已经给出$K$是非负的，而且我们的核心是利用$K$的递减性：非均匀测度带来的近距离点对会让$K$的取值更大，从而能量更高，旋转平均刚好能消除这种集中性，降低能量。

内容的提问来源于stack exchange，提问作者Kostya_I