使用并行包加速

library(parallel)
data<-matrix(rnorm(1000000*40,0,10),ncol=40) 
cl <- makeCluster(8)  # 8 is the number of CPU
system.time({
   parApply(cl,data,1,sort,decreasing=T)
 })
   user  system elapsed 
   9.68   10.11   29.87 
stopCluster(cl)

您可以使用package data.table：

set.seed(1)
mm <- matrix(rnorm(1000000*40,0,10),ncol=40) 
library(data.table)
system.time({
  d <- as.data.table(mm)
  d[, row := .I]
  d <- melt(d, id.vars = "row") #wide to long format
  setkey(d, row, value) #sort
  d[, variable := paste0("V", ncol(mm):1)] #decreasing order

  #back to wide format and coerce to matrix
  msorted <- as.matrix(dcast(d, row ~ variable)[, row := NULL]) 
})
#user  system elapsed 
#4.96    0.59    5.62

如果你能把它保存为一个长格式的data.table（即跳过最后一步），在我的机器上大约需要2秒钟。
为了比较，@qjgods在我的机器上回答的时间：

#user  system elapsed 
#3.71    2.08    8.81

注意，使用apply（或其并行版本）转置矩阵。

这里有一个聪明的方法：

res <- matrix(mm[order(row(mm), -mm)], nrow = nrow(mm), byrow = TRUE)

也比别人快：

system.time(
  res <- matrix(mm[order(row(mm), -mm)], nrow=nrow(mm), byrow=TRUE)
)
 user  system elapsed
1.910   0.254   2.170