Throughput-processors zoals Graphics Processing Units (GPU’s) zijn belangrijke componenten in moderne computersystemen vanwege hun vermogen om gegevensparallelle computertoepassingen te versnellen. Toepassingen die worden uitgevoerd op GPU’s vertonen zeer verschillende kenmerken, in termen van berekeningseisen versus geheugenvereisten en toegangspatronen. Dit levert niet alleen uitdagingen op, maar biedt ook kansen. In dit proefschrift stellen we drie mechanismen voor om het gebruik van GPU resources te optimaliseren via het exploiteren van applicatiediversiteit. We beginnen eerst met het traditionele scenario waarbij een GPU ´e´en toepassing tegelijk uitvoert. Vervolgens beschouwen we nieuwe multitasking-scenario’s waarin meerdere applicaties tegelijk worden uitgevoerd op een GPU. Ten eerste stellen we adaptieve caching voor om de prestaties te verhogen voor computertoepassingen die hoge bandbreedte vereisen naar gedeelde data (die typisch enkel gelezen wordt). Ten tweede stellen we CD-search voor om een effectieve SM-partitie te vinden in multitasking GPU’s. Ten derde stellen we het GPU Slowdown Model (GSM) voor om de vertraging van een toepassing nauwkeurig te voorspellen als gevolg van interferentie in gedeelde resources in multitasking GPU’s.