Este documento presenta una versión mejorada del algoritmo Federated Random High Local Performance (Fed-RHLP), específicamente dirigido a abordar las dificultades planteadas por los datos No-IID (No Independientes e Idénticamente Distribuidos) en el contexto del aprendizaje federado. El algoritmo refinado Fed-RHLP implementa un enfoque de selección de clientes más específico, enfatizando clientes basados en el tamaño de sus conjuntos de datos, la diversidad de etiquetas y el rendimiento de sus modelos locales. Emplea un mecanismo de ruleta sesgada para seleccionar clientes, lo que mejora la agregación del modelo global. Este enfoque asegura que el modelo global esté principalmente influenciado por clientes de alto rendimiento, permitiendo aún contribuciones de aquellos con menor rendimiento durante el proceso de entrenamiento del modelo. Los hallazgos experimentales indican que el algoritmo mejorado Fed-RHLP supera significativamente metodologías existentes, incluyendo FederatedAveraging (FedAvg), Power of Choice (PoC) y FedChoice, al lograr una precisión superior del modelo global, tasas de convergencia aceleradas y tiempos de ejecución reducidos, especialmente bajo condiciones de datos No-IID elevados. Además, el algoritmo mejorado Fed-RHLP muestra resiliencia incluso cuando se reduce el número de clientes que participan en las actualizaciones de modelos locales y la agregación en cada ronda de comunicación. Esta característica influye positivamente en la conservación de recursos limitados de comunicación y computacionales.