正如 James Baker 1989 年在减少选择算法中的偏差和效率低下的论文中最初设想的那样，随机通用抽样接受包含以下内容的总体$N$个人，以及一些要抽样的父母，表示$n$. 假设适应度值被归一化，因此它们总和为$N$，在每一步，一个新的指针被放置在一个与分数大小相等的步长上$\frac{N}{n}$在前一个指针的位置之前（并且第一个指针的位置设置为范围 [0,$\frac{N}{n}$））。因此，例如，如果您想从大小为 10 的总体中抽取 6 个个体，您需要设置大小步长$\frac{10}{6}$, 将指针间隔均匀$\frac{10}{6}$.

现代的实现，比如维基百科上的实现，有时并没有清楚地记录这一事实，尽管如果你已经理解了这个方法，那么它的意图是显而易见的。他们经常将步长写为$\frac{F}{n}$， 在哪里$F$是人口的总适应度，没有讨论它与人口规模的关系。额外的规范化步骤实际上并不是必需的，因此现代实现通常似乎跳过了它。

总而言之，步长$\frac{F}{n}$如果种群的适应度值总和为$F$，并且您要选择$n$个人。如果要选择更多个体，请使用更高的值$n$. 如果您想选择更少，请使用较低的值$n$，它会相应地更新您的步长。

这个参数的值$\frac{1}{4}$或者$\frac{1}{6}$建议实现可能是将适应度值的总和归一化为 N，然后自动使用参数作为乘法因子。这是一个相当合理的设计。您可以将这些值解释为“选择$\frac{1}{4}$人口”和“选择$\frac{1}{6}$人口”。

请注意，这种方式将您的问题提升了一个层次：您如何选择要保留的人口比例？这个问题没有一个明确的答案，而选择它通常是专家通过实践开发的艺术。它与探索/开发权衡非常密切相关。

您可能会选择的一些方法$n$：

1. 使用固定值，例如，在每个步骤中保留一半的人口。您想要选择的确切比例不是您可以提前知道的。专家从业者可以做出有效的猜测。其他人只需要使用交叉验证等技术尝试不同的值，然后选择看起来效果最好的一个。
2. 您可以使用随时间变化的值。一个常见的策略是使用模拟退火文献中开发的温度计划之一，并保留与温度成反比的一部分人口。也就是说，在早期，你会使用一个大的$n$，并保留大部分人口（可能有突变）。以后，你会用一个小的$n$并且只保留最优秀的人才。
3. 你可以使用一个值$n$这会随着人口的适应性而变化。这很像某些算法中用于训练神经网络的自适应学习率（最值得注意的是：ADAM 优化器）。当健康水平有很多变化时，使用较低的值$n$鼓励更多的剥削。当适应度水平都在一个窄带内时，使用较高的值$n$鼓励更多的探索。