[家里蹲大学数学杂志]第050期2011年广州偏微分方程暑期班试题---几何分析参考解答

简介: 1 (15') 设 $R(X,Y):\ \calX(M)\to \calX(M)$ 为曲率, 求证: (1)$R(X,Y)(fZ_1+gZ_2) =fR(X,Y)Z_1+gR(X,Y)Z_2$, $\forall\ X,Y,Z_1,Z_2\in \calX(M), f,h\in C^\infty ...

1 (15') 设 $R(X,Y):\ \calX(M)\to \calX(M)$ 为曲率, 求证:

(1)$R(X,Y)(fZ_1+gZ_2) =fR(X,Y)Z_1+gR(X,Y)Z_2$, $\forall\ X,Y,Z_1,Z_2\in \calX(M), f,h\in C^\infty (M)$;

(2)$R(X,Y)Z+R(Y,Z)X+R(Z,X)Y=0$, $\forall\ X,Y,Z\in \calX(M)$.

证明:

(1) 回忆 $$\bex R(X,Y)=\n_X\n_Y-\n_Y\n_X-\n_{[X,Y]}, \eex$$ 我们有 $$\bex & &R(X,Y)(fZ)\\ & &=\n_X\n_Y(fZ)-\n_Y\n_X(fZ)-\n_{[X,Y]}(fZ)\\ & &=\n_X\sez{Yf\cdot Z+f\n_YZ} -\n_Y\sez{Xf\cdot Z+f\n_XZ} -\n_{[X,Y]}(fZ)\\ & &=\underline{XYf\cdot Z}+{\color{black}Yf\cdot\n_XZ} +{\color{red}Xf\cdot\n_YZ}+f\n_X\n_YZ\\ & &\quad-\underline{YXf\cdot Z}-{\color{red}Xf\cdot\n_YZ} -{\color{black}Yf\cdot\n_XZ}-f\n_Y\n_XZ\\ & &\quad-\underline{[X,Y]f\cdot Z}-f\n_{[X,Y]}Z\\ & &=fR(X,Y)Z, \eex$$ $$\bex & &R(X,Y)(Z_1+Z_2)\\ & &=\n_X\n_Y(Z_1+Z_2) -\n_Y\n_X(Z_1+Z_2) -\n_{[X,Y]}(Z_1+Z_2)\\ & &=R(X,Y)Z_1+R(X,Y)Z_2. \eex$$ 于是 $$\bex & &R(X,Y)(fZ_1+hZ_2)\\ & &=R(X,Y)(fZ_1)+R(X,Y)(hZ_2)\\ & &=fR(X,Y)Z_1+hR(X,Y)Z_2. \eex$$

(2) 由 $$\bex \ba{ccc} R(X,Y)Z=\n_X\n_YZ-\n_Y\n_XZ-\n_{[X,Y]}Z,\\ R(Y,Z)X=\n_Y\n_ZX-\n_Z\n_YX-\n_{[Y,Z]}X,\\ R(Z,X)Y=\n_Z\n_XY-\n_X\n_ZY-\n_{[Z,X]}Y \ea \eex$$ 即知 $$\bex & &R(X,Y)Z+R(Y,Z)X+R(Z,X)Y\\ & &=\n_X[Y,Z]-\n_{[Y,Z]}X +\n_Y[Z,X]-\n_{[Z,X]}Y\\ & &\quad+\n_Z[X,Y]-\n_{[X,Y]}Z\\ & &=[X,[Y,Z]]+[Y,[Z,X]]+[Z,[X,Y]]\\ & &=0\quad\sex{Jacobi\mbox{ 恒等式}}. \eex$$  

 

 

2(10') 设 $V(t),\ J(t)$ 是沿最短测地线 $\gamma(t),\ t\in [0,1]$ 的向量场, 它们满足 $$\bex V(t)\perp \dot\gamma(t),\quad J(t)\perp \dot\gamma(t),\quad V(0)=J(0),\quad V(1)=J(1), \eex$$ 且 $J(t)$ 是 Jacobi 场, 求证: $$\bex I(J,J)\leq I(V,V), \eex$$ 其中 $I$ 为 $\gamma$ 上的指标形式.

证明: 由弧长第二变分公式知 $$\bex 0\leq I(V-J,V-J) =I(V,V)-2I(V,J)+I(J,J). \eex$$ 算出 $$\bex I(V,J) &=&\int_0^1\sez{\sef{\dot V,\dot J}-\sef{R(\dot \gamma,V)J,\dot \gamma}}\rd t\\ &=&\left.\sef{\dot J,V}\right|^1_0-\int_0^1 \sez{\sef{V,\ddot J}+\sef{R(J,\dot\gamma)\dot\gamma,V}}\rd t\\ &=&\left.\sef{\dot J,J}\right|^1_0 -\int_0^1 \sef{V,\ddot J+R(J,\dot \gamma)\dot\gamma}\rd t\\ &=&\left.\sef{\dot J,J}\right|^1_0; \eex$$ $$\bex I(J,J)&=&\int_0^1\sez{\sef{\dot J,\dot J}-\sef{R(\dot \gamma,J)J,\dot\gamma}}\rd t\\ &=&\left.\sef{\dot J,J}\right|^1_0-\int_0^1\sef{\ddot J+R(J,\dot\gamma)\dot\gamma,J}\rd t\\ &=&\left.\sef{\dot J,J}\right|^1_0. \eex$$ 我们得到 $$\bex 0\leq I(V,V)-2I(J,J)+2I(J,J) =I(V,V)-I(J,J), \eex$$ 而有结论.  

 

 

3(10') 设 $\gamma(t):\ (-\infty,+\infty)\to M$ 为一条测地直线, 相应地记 $$\bex \gamma_+=\gamma|_{[0,+\infty)},\quad \gamma_-=\gamma|_{(-\infty,0]} \eex$$ 及两 Busemann 函数 $$\bex B_{\gamma_+}(x)=\lim_{t\to+\infty}\sez{d(x,\gamma(t))-t}; \eex$$ $$\bex B_{\gamma_-}(x)=\lim_{t\to-\infty}\sez{d(x,\gamma(t))+t}. \eex$$ 求证: $$\bex B_{\gamma_+}+B_{\gamma_-}=0,\quad\mbox{在 } \gamma \mbox{ 上}; \eex$$ $$\bex B_{\gamma_+}+B_{\gamma_-}\geq 0,\quad\mbox{在 } M \mbox{ 上}. \eex$$

证明:

(1)设 $x\in\gamma$, 则 $x=\gamma(t_0)$, 对某个 $t_0$. 而当 $t$ 充分大时, $$\bex \ba{cc} d(x,\gamma(t))-t =(t-t_0)-t=-t_0,\\ d(x,\gamma(-t))-t =(t_0-(-t))-t =t_0. \ea \eex$$ 于是 $$\bex B_{\gamma_+}(x) +B_{\gamma_-}(x) &=&\lim_{t\to+\infty} \sed{\sez{d(x,\gamma(t))-t} +\sez{d(x,\gamma(-t))-t}}\\ &=&-t_0+t_0\\ &=&0. \eex$$

(2)当 $x\in M$, 则于 $$\bex & &\sez{d(x,\gamma(t))-t} +\sez{d(x,\gamma(-t))-t}\\ & &=\sez{d(x,\gamma(t))+d(x,\gamma(-t))}-2t\\ & &=d(\gamma(t),\gamma(-t))-2t\\ & &\geq 2t-2t\\ & &=0 \eex$$ 两端令 $t\to+\infty$, 有 $$\bex B_{\gamma_+}+B_{\gamma_-}\geq 0. \eex$$  

 

 

4(15') 设 $M$ 为紧流形, 再设 $g_{ij}(t)$ 满足 Ricci 流, 且 $f(t),\tau(t)$ 满足 $$\bex \frac{\p }{\p t}f=-\lap f+\sev{\n f}^2-R+\frac{n}{2\tau},\quad \frac{\p }{\p t}\tau =-1. \eex$$ 求证:

(1) $$\bex \frac{\rd}{\rd t}\int_M \sex{4\pi \tau}^{-\frac{n}{2}} e^{-f}\, \rd vol_{g_{ij}}=0; \eex$$

(2) $$\bex & &\frac{\rd }{\rd x}\int_M \sez{\tau \sex{R+\sev{\n f}^2} +f-n}(4\pi^\tau)^{-\frac{n}{2}} e^{-f}\,\rd vol_{g_{ij}}\\ & &=\int_M 2\tau \sev{R_{ij}+\n_i\n_j f-\frac{1}{2\tau}g_{ij}}^2 (4\pi \tau)^{-\frac{n}{2}} e^{-f}\,\rd vol_{g_{ij}}. \eex$$

证明:

(1)由 $$\bex \frac{\p}{\p t}g &=&\frac{\p}{\p t}\sev{\ba{ccc} g_{11}&\cdots&g_{1n}\\ \vdots&\ddots&\vdots\\ g_{n1}&\cdots&g_{nn} \ea}\\ &=&\sum_{j=1}^n \sev{\ba{ccccc} g_{11}&\cdots&\frac{\p}{\p t}g_{1j}&\cdots&g_{1n}\\ \vdots&&\vdots&&\vdots\\ g_{n1}&\cdots&\frac{\p}{\p t}g_{nj}&\cdots&g_{nn} \ea}\\ &=&\sum_{j=1}^n \sev{\ba{ccccc} g_{11}&\cdots&-2R_{1j}&\cdots&g_{1n}\\ \vdots&&\vdots&&\vdots\\ g_{n1}&\cdots&-2R_{nj}&\cdots&g_{nn} \ea}\\ &=&-2\sum_{j=1}^n\sez{\sum_{i=1}^n (gg^{ij})R_{ij}}\quad \sex{g^{ij}g_{jk}=\delta_{ik}}\\ &=&-2gR \eex$$ 及单位分解知 $$\bex & &\frac{\rd}{\rd t}\int_M \sex{4\pi \tau}^{-\frac{n}{2}} e^{-f}\, \rd vol_{g_{ij}}\\ &=&\int_M (4\pi)^{-\frac{n}{2}} \left[-\frac{n}{2}\tau^{-\frac{n}{2}-1}\frac{\p \tau}{\p t} e^{-f}\sqrt{g} +\tau^{-\frac{n}{2}}e^{-f}\sex{-\frac{\p f}{\p t}}\sqrt{g}\right.\\ & &\left. +\tau^{-\frac{n}{2}}e^{-f}\frac{1}{2}g^{-\frac{1}{2}}\frac{\p g}{\p t} \right]\,\rd x\\ &=&\int_M (4\pi)^{-\frac{n}{2}} \left[ \frac{n}{2}\tau^{-\frac{n}{2}-1} e^{-f}\sqrt{g} \right.\\ & &\left. +\tau^{-\frac{n}{2}} e^{-f}\sex{\lap f-\sev{\n f}^2+R-\frac{n}{2\tau}}\sqrt{g} -\tau^{-\frac{n}{2}} e^{-f}R\sqrt{g} \right]\,\rd x\\ & &=\int_M \sex{4\pi\tau}^{-\frac{n}{2}} e^{-f}\sex{\lap f-\sev{\n f}^2}\sqrt{g}\,\rd x\\ &=&-\int_M\sex{4\pi\tau}^{-\frac{n}{2}} \lap\sex{e^{-f}}\,\rd vol_{g_{ij}}\\ &=&0\quad\sex{\tau\mbox{ 为参数, 由 } Stokes\mbox{ 公式}}. \eex$$

(2)请参考 [H.D. Cao, X.P. Zhu, A complete proof of the Poincar\'e and geometrization conjectures --- application of the Hamilton -- Perelman theory of the Ricci flow, Asian J. Math., 10 (2006), no. 2, 165—492] 第206 页.

目录
相关文章
|
5月前
|
Java API 开发者
告别“线程泄露”:《聊聊如何优雅地关闭线程池》
本文深入讲解Java线程池优雅关闭的核心方法与最佳实践,通过shutdown()、awaitTermination()和shutdownNow()的组合使用,确保任务不丢失、线程不泄露,助力构建高可靠并发应用。
|
6月前
|
XML Java 数据库连接
MyBatis的常见配置
MyBatis 常见配置包括数据库连接、类型别名、映射器等核心模块,合理配置可提升开发效率与系统性能。主要内容涵盖核心配置文件结构、关键配置项详解及配置优先级说明。
612 4
|
4月前
|
机器学习/深度学习 自然语言处理 搜索推荐
数字人实时交互技术突破:集之互动实现0.8秒全链路响应
集之互动打造全链路自研数字人系统,实现0.8秒超低延迟实时交互。涵盖端侧推理、多模态理解、情感化生成与精准唇形同步四大核心技术,支持私有化部署与行业知识定制,已在医疗、零售、政务等场景落地,推动数字人从工具迈向情感化智能伙伴。
|
11月前
|
存储 机器学习/深度学习 人工智能
《解锁跨设备3D建模新境界:分布式软总线的神奇魔法》
3D建模作为数字化设计的核心环节,面临跨设备协同工作的挑战。分布式软总线技术通过融合多种通信技术,屏蔽设备差异,实现高效的数据传输与任务分配。它能智能监测资源使用情况,合理分配建模任务,确保数据一致性和完整性,提升团队协作效率。实际应用中,该技术已在影视特效制作和汽车设计等领域展现强大优势,未来结合AI与新一代通信技术,将推动3D建模领域迈向更高水平。
232 6
短视频脚本,分镜头脚本插件,自动刷广告工具分享
支持多平台配置化操作(抖音/快手) 包含智能广告识别跳过模块
|
8月前
|
安全 关系型数据库 Shell
ssh核心隧道类型(三大类)
SSH端口转发包括本地、远程和动态三种模式。本地转发将远程服务映射到本地,用于访问数据库或内网服务;远程转发将本地服务暴露到远程,适合临时公开开发环境;动态转发则建立SOCKS代理,实现安全上网或突破网络限制。每种模式均通过SSH隧道实现,保障通信安全。
|
9月前
|
机器学习/深度学习 数据采集 人工智能
合成数据也能通吃真实世界?首个融合重建-预测-规划的生成式世界模型AETHER开源
上海人工智能实验室开源了生成式世界模型AETHER,该模型仅用合成数据训练,却能在真实环境中展现强大的零样本泛化能力。AETHER首创「重建—预测—规划」一体化框架,融合几何重建与生成建模,大幅提升模型在动态环境中的决策、规划和预测能力。其核心技术包括目标导向视觉规划、4D动态重建和动作条件视频预测,实验结果表明其性能达到或超越现有SOTA水平。论文、模型及项目主页均已开源。
274 2
|
9月前
|
数据采集 JSON API
电商媒体必看:淘宝商品评论接口指南
获取淘宝商品评论数据主要有两种方式:一是通过淘宝开放平台申请接口权限,调用API获取;二是使用爬虫技术抓取。前者需传递商品ID等参数并解析JSON响应,后者则需编写Python代码,配合代理IP与频率控制以应对反爬机制。
|
JSON API 数据安全/隐私保护
淘宝商品评价 API 的获取与应用
淘宝商品评价API是电商数据分析的重要工具,帮助商家和开发者获取淘宝平台上的商品评价信息。通过注册淘宝开放平台账号、申请AppKey和AppSecret、获取API权限等步骤,用户可以调用该API进行市场分析、竞品研究及店铺运营优化。API支持HTTP GET/POST请求,返回JSON或XML格式的评价数据,包括评价内容、时间、评分等。本文详细介绍API的使用方法,并提供Python代码示例,助力用户更好地利用这一资源。注意遵守请求频率限制、数据隐私保护等相关规定,确保合法合规使用数据。
465 3
|
监控 安全 Linux
什么是蜜罐与蜜网(Honeypots and Honeynets)
【10月更文挑战第21天】蜜罐是一种用于网络安全的软件系统,充当入侵诱饵,通过引诱黑客攻击并监测其行为,帮助了解最新的攻击手段和漏洞。蜜罐分为高交互性和低交互性两种类型,前者提供全功能环境,后者仅模拟生产环境。多个蜜罐组成的网络称为蜜网,能够更全面地监测和分析入侵行为。使用蜜罐需谨慎,以免误报影响组织声誉。
628 1

热门文章

最新文章