嵌套循环的时间复杂度由各层循环规模的乘积主导；当内层循环范围为 n−2、外层为 n 时，总操作数为 n(n−2) = n²−2n，其渐进上界仍为 o(n²)，因大 o 记号仅保留最高次项并忽略常数系数。
在算法分析中，时间复杂度关注的是输入规模 $ n $ 趋向无穷时的渐进增长行为，而非精确运算次数。以如下 Python 风格伪代码为例：
for i in range(0, n): # 执行 n 次
for j in range(0, n-2): # 每次执行 (n - 2) 次
# 常数时间操作（如赋值、比较）外层循环迭代 $ n $ 次，内层循环每次迭代 $ n-2 $ 次，因此总操作次数为：
$$
T(n) = n \times (n - 2) = n^2 - 2n
$$
根据大 O 定义：若存在正常数 $ c $ 和 $ n_0 $，使得对所有 $ n \geq n_0 $，有 $ T(n) \leq c \cdot n^2 $，则 $ T(n) = O(n^2) $。
显然，当 $ n \geq 4 $ 时，$ n^2 - 2n \leq n^2 $，取 $ c = 1 $ 即满足条件。更一般地，任何形如 $ an^2 + bn + c $（其中 $ a > 0 $）的多项式，其时间复杂度均为 $ O(n^2) $。
✅ 关键原则：
- 只保留最高次幂项：$ n^2 - 2n $ → 主导项是 $ n^2 $
- 忽略常数系数：$ 5n^2 $、$ \frac{1}{3}n^2 $、$ 100n^2 $ 均属于 $ O(n^2) $
- 低阶项与常数项可舍弃：$ -2n $ 和任何常数开销不改变渐进阶
⚠️ 注意事项：
- 若内层循环范围与 $ n $ 无关（如固定为 10），则整体为 $ O(n) $；
- 若内层为 $ \lfloor \log n \rfloor $，则为 $ O(n \log n) $；
- 大 O 描述的是上界，通常对应最坏情况；实际运行时间可能更优，但复杂度分析以最坏/典型渐进行为为准。
例如，以下表达式的时间复杂度均可简化为对应主导项： | 表达式 | 时间复杂度 | |--------|------------| | $ 3n^3 - 7n^2 + 4 $ | $ O(n^3) $ | | $ 100n + 5\log n $ | $ O(n) $ | | $ 2^n + n^{10} $ | $ O(2^n) $（指数项主导）|
综上，range(0,n) 与 range(0,n-2) 的嵌套结构，其时间复杂度严格等于 $ O(n^2) $ —— 这不仅是惯例，更是由数学定义所保证的严谨结论。掌握这一“取最高次项+去系数”法则，是准确分析循环类算法复杂度的基础能力。
